論文の概要: Deep Rival Penalized Competitive Learning for Low-resolution Face Recognition

• arxiv url: http://arxiv.org/abs/2108.01286v1
• Date: Tue, 3 Aug 2021 04:14:56 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-04 14:01:30.838179
• Title: Deep Rival Penalized Competitive Learning for Low-resolution Face Recognition
• Title（参考訳）: 低解像度顔認識のための深層競争型ペナルティ学習
• Authors: Peiying Li, Shikui Tu, Lei Xu
• Abstract要約: 低分解能(LR)画像における深層顔認識のための深部ライバル学習(RPCL)を提案する。 提案手法は,対象ラベルに対する学習を強化するだけでなく,逆方向,すなわち非学習を競合ラベルから遠ざけて実施する。
• 参考スコア（独自算出の注目度）: 6.422508373767982
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Current face recognition tasks are usually carried out on high-quality face images, but in reality, most face images are captured under unconstrained or poor conditions, e.g., by video surveillance. Existing methods are featured by learning data uncertainty to avoid overfitting the noise, or by adding margins to the angle or cosine space of the normalized softmax loss to penalize the target logit, which enforces intra-class compactness and inter-class discrepancy. In this paper, we propose a deep Rival Penalized Competitive Learning (RPCL) for deep face recognition in low-resolution (LR) images. Inspired by the idea of the RPCL, our method further enforces regulation on the rival logit, which is defined as the largest non-target logit for an input image. Different from existing methods that only consider penalization on the target logit, our method not only strengthens the learning towards the target label, but also enforces a reverse direction, i.e., becoming de-learning, away from the rival label. Comprehensive experiments demonstrate that our method improves the existing state-of-the-art methods to be very robust for LR face recognition.
• Abstract（参考訳）: 現在の顔認識タスクは、通常高品質な顔画像で実行されるが、実際には、ほとんどの顔画像は、例えばビデオ監視によって、制約のない条件下で撮影される。 既存の方法は、ノイズ過収を避けるためにデータ不確実性を学習したり、正規化ソフトマックス損失のアングルまたはコサイン空間にマージンを追加してターゲットロジットをペナルティ化することで、クラス内コンパクト性とクラス間不一致を強制する。 本稿では,低分解能(LR)画像における深層顔認識のための深部Rival Penalized Competitive Learning (RPCL)を提案する。 RPCLのアイデアにインスパイアされた本手法は,入力画像に対する最大の非ターゲットロジットとして定義される競合ロジットの規制をさらに強化する。 対象のロジットに対するペナル化のみを考慮した既存の手法とは異なり,本手法は対象のラベルに対する学習を強化するだけでなく,逆方向,すなわち非学習を競合のラベルから遠ざけている。 総合的な実験により,本手法は既存の最先端手法を改良し,LR顔認識に非常に堅牢であることを示す。

関連論文リスト

• Learning Camouflaged Object Detection from Noisy Pseudo Label [60.9005578956798]
  本稿では,まず,弱い半教師付きカモフラージュオブジェクト検出(COD)法を提案する。 予算効率が高く高精度なカモフラージュされたオブジェクトセグメンテーションを目標とし、完全にラベル付けされた画像が極めて限られている。 本稿では,早期の学習段階において,モデルが正しい画素の学習を容易にするノイズ補正損失を提案する。 完全ラベル付きデータの20%しか使用しない場合,本手法は最先端の手法よりも優れた性能を示す。
  論文  参考訳（メタデータ） (2024-07-18T04:53:51Z)
• COMICS: End-to-end Bi-grained Contrastive Learning for Multi-face Forgery Detection [56.7599217711363]
  顔偽造認識法は一度に1つの顔しか処理できない。 ほとんどの顔偽造認識法は一度に1つの顔しか処理できない。 マルチフェイスフォージェリ検出のためのエンドツーエンドフレームワークであるCOMICSを提案する。
  論文  参考訳（メタデータ） (2023-08-03T03:37:13Z)
• CoReFace: Sample-Guided Contrastive Regularization for Deep Face Recognition [3.1677775852317085]
  特徴表現学習に画像レベルの正規化を適用するために,CoReFace(Contrastive Regularization for Face Recognition)を提案する。 具体的には、サンプル誘導型コントラスト学習を用いて、画像と画像の関係を直接調整する。 コントラスト学習を顔認識に統合するため,画像の画質劣化を回避するために,画像の代わりに埋め込みを拡大する。
  論文  参考訳（メタデータ） (2023-04-23T14:33:24Z)
• Unsupervised Multi-Criteria Adversarial Detection in Deep Image Retrieval [12.371928575574751]
  最近、通常の画像検索を妨害するためにいくつかの攻撃が提案されている。 本稿では,ハミング空間における一意の敵対行動を特定するための,効率的かつ教師なしの手法を提案する。 特に,ハミング距離,量子化損失,デノベーションという観点から3つの基準を設計し,標的外攻撃と目標外攻撃の両面から防御する。
  論文  参考訳（メタデータ） (2023-04-09T12:46:35Z)
• Teaching Where to Look: Attention Similarity Knowledge Distillation for Low Resolution Face Recognition [5.958529344837164]
  本稿では,教師として高分解能(HR)ネットワークから得られた注目マップを,学生としてLRネットワークに転送し,LR認識性能を向上させる注意類似性知識蒸留手法を提案する。 様々なLR面関連ベンチマーク実験により、提案手法はLR設定における認識性能を全般的に向上し、よく構築された注目マップを単純に転送することで、最先端の結果よりも優れることを確認した。
  論文  参考訳（メタデータ） (2022-09-29T01:28:13Z)
• KappaFace: Adaptive Additive Angular Margin Loss for Deep Face Recognition [22.553018305072925]
  我々は,クラス難易度と不均衡度に基づいて相対的重要性を変調する,KappaFaceと呼ばれる新しい適応戦略を導入する。 一般的な顔のベンチマーク実験により,提案手法は最先端技術よりも優れた性能を示すことが示された。
  論文  参考訳（メタデータ） (2022-01-19T03:05:24Z)
• Federated Learning for Face Recognition with Gradient Correction [52.896286647898386]
  本稿では,顔認識のためのフェデレーション学習に取り組むためのフレームワークであるFedGCを紹介する。 我々は,FedGCが標準ソフトマックスと同様の損失関数を構成することを示す。
  論文  参考訳（メタデータ） (2021-12-14T09:19:29Z)
• Region-level Active Learning for Cluttered Scenes [60.93811392293329]
  本稿では,従来の画像レベルのアプローチとオブジェクトレベルのアプローチを一般化した領域レベルのアプローチに仮定する新たな戦略を提案する。 その結果,本手法はラベル付けの労力を大幅に削減し,クラス不均衡や散らかったシーンを生かしたリアルなデータに対する希少なオブジェクト検索を改善することが示唆された。
  論文  参考訳（メタデータ） (2021-08-20T14:02:38Z)
• Hierarchical Deep CNN Feature Set-Based Representation Learning for Robust Cross-Resolution Face Recognition [59.29808528182607]
  クロスリゾリューション顔認識(CRFR)は、インテリジェントな監視およびバイオメトリックフォレンジックにおいて重要である。 既存の浅層学習と深層学習に基づく手法は、HR-LR対を共同特徴空間にマッピングすることに焦点を当てている。 本研究では,多レベル深層畳み込みニューラルネットワーク(CNN)の機能を完全に活用し,堅牢なCRFRを実現することを目的とする。
  論文  参考訳（メタデータ） (2021-03-25T14:03:42Z)
• PULSE: Self-Supervised Photo Upsampling via Latent Space Exploration of Generative Models [77.32079593577821]
  PULSE (Photo Upsampling via Latent Space Exploration) は、それまで文献になかった解像度で高解像度でリアルな画像を生成する。 本手法は, 従来よりも高分解能, スケールファクターの知覚品質において, 最先端の手法よりも優れていた。
  論文  参考訳（メタデータ） (2020-03-08T16:44:31Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。