論文の概要: Adaptive Normalized Representation Learning for Generalizable Face Anti-Spoofing

• arxiv url: http://arxiv.org/abs/2108.02667v1
• Date: Thu, 5 Aug 2021 15:04:33 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-06 14:38:20.024524
• Title: Adaptive Normalized Representation Learning for Generalizable Face Anti-Spoofing
• Title（参考訳）: 一般化可能な顔アンチスプーフィングのための適応正規化表現学習
• Authors: Shubao Liu, Ke-Yue Zhang, Taiping Yao, Mingwei Bi, Shouhong Ding, Jilin Li, Feiyue Huang, Lizhuang Ma
• Abstract要約: ドメイン一般化(DG)に基づく対面反偽造(FAS)は、その堅牢性から注目されている。 本稿では,特徴抽出プロセスにおける正規化選択に着目した顔アンチスプーフィングの新たな視点を提案する。
• 参考スコア（独自算出の注目度）: 45.37463812739095
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: With various face presentation attacks arising under unseen scenarios, face anti-spoofing (FAS) based on domain generalization (DG) has drawn growing attention due to its robustness. Most existing methods utilize DG frameworks to align the features to seek a compact and generalized feature space. However, little attention has been paid to the feature extraction process for the FAS task, especially the influence of normalization, which also has a great impact on the generalization of the learned representation. To address this issue, we propose a novel perspective of face anti-spoofing that focuses on the normalization selection in the feature extraction process. Concretely, an Adaptive Normalized Representation Learning (ANRL) framework is devised, which adaptively selects feature normalization methods according to the inputs, aiming to learn domain-agnostic and discriminative representation. Moreover, to facilitate the representation learning, Dual Calibration Constraints are designed, including Inter-Domain Compatible loss and Inter-Class Separable loss, which provide a better optimization direction for generalizable representation. Extensive experiments and visualizations are presented to demonstrate the effectiveness of our method against the SOTA competitors.
• Abstract（参考訳）: 目に見えないシナリオで発生する様々な顔の提示攻撃により、ドメイン一般化(DG)に基づく顔の反偽造(FAS)が、その堅牢性から注目を集めている。 既存のほとんどのメソッドはDGフレームワークを使用して、コンパクトで一般化された機能空間を求める特徴を整列する。 しかし、FASタスクの特徴抽出プロセス、特に正規化の影響にはほとんど注意が払われておらず、学習された表現の一般化にも大きな影響を与えている。 この問題に対処するために,特徴抽出プロセスにおける正規化選択に焦点を当てた顔アンチスプーフィングの新たな視点を提案する。 具体的には、適応正規化学習(ANRL)フレームワークを考案し、入力に応じて特徴正規化手法を適応的に選択し、ドメインに依存しない識別的表現を学習することを目的とする。 さらに、表現学習を容易にするために、ドメイン間互換性損失とクラス間分離損失を含む二重校正制約を設計し、一般化可能な表現により良い最適化方向を提供する。 提案手法の有効性を実証するために,広範な実験と可視化を行った。

関連論文リスト

• Boundless Across Domains: A New Paradigm of Adaptive Feature and Cross-Attention for Domain Generalization in Medical Image Segmentation [1.93061220186624]
  ドメイン不変表現学習は、ドメイン一般化の強力な方法である。 従来のアプローチでは、高い計算要求、トレーニングの不安定性、高次元データによる限られた有効性といった課題に直面していた。 本研究では,分布空間を探索しながら分布外サンプルを生成する適応的特徴ブレンディング(AFB)手法を提案する。
  論文  参考訳（メタデータ） (2024-11-22T12:06:24Z)
• HCVP: Leveraging Hierarchical Contrastive Visual Prompt for Domain Generalization [69.33162366130887]
  ドメイン一般化(DG)は、不変の機能を学ぶことによって、目に見えないシナリオに優れた機械学習モデルを作成するための取り組みである。 モデルにドメインレベルとタスク固有の特性を補足する新しい手法を提案する。 このアプローチは、特定の特徴から不変な特徴をより効果的に分離し、一般化を促進することを目的としている。
  論文  参考訳（メタデータ） (2024-01-18T04:23:21Z)
• TeG-DG: Textually Guided Domain Generalization for Face Anti-Spoofing [8.830873674673828]
  既存の方法は、様々な訓練領域からドメイン不変の特徴を抽出することを目的としている。 抽出された特徴は、必然的に残差スタイルの特徴バイアスを含んでおり、その結果、一般化性能が劣る。 本稿では,テキスト情報をドメイン間アライメントに有効活用するテキストガイド型ドメイン一般化フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-11-30T10:13:46Z)
• Towards Domain-Specific Features Disentanglement for Domain Generalization [23.13095840134744]
  そこで本研究では,見過ごされがちな領域特化特徴を生かした,新しいコントラッシブ・ベース・ディコンタンジメント法CDDGを提案する。 具体的には、CDDGは、潜在空間においてそれらを活用することによって、固有の排他的特徴を分離することを学ぶ。 各種ベンチマークデータセットを用いて行った実験は,他の最先端手法と比較して,本手法の優位性を示した。
  論文  参考訳（メタデータ） (2023-10-04T17:51:02Z)
• Randomized Adversarial Style Perturbations for Domain Generalization [49.888364462991234]
  本稿では,RASP(Randomized Adversarial Style Perturbation)と呼ばれる新しい領域一般化手法を提案する。 提案アルゴリズムは, ランダムに選択されたクラスに対して, 対角方向の特徴のスタイルを乱し, 予期せぬ対象領域で観測される予期せぬスタイルに誤解されないよう, モデルを学習させる。 提案アルゴリズムは,様々なベンチマークによる広範な実験により評価され,特に大規模ベンチマークにおいて,領域一般化性能が向上することを示す。
  論文  参考訳（メタデータ） (2023-04-04T17:07:06Z)
• Dual Contrastive Learning for General Face Forgery Detection [64.41970626226221]
  本稿では,正と負のペアデータを構成するDCL (Dual Contrastive Learning) という新しい顔偽造検出フレームワークを提案する。 本研究は, 事例内コントラスト学習(Intra-ICL)において, 偽造顔における局所的内容の不整合に焦点をあてる。
  論文  参考訳（メタデータ） (2021-12-27T05:44:40Z)
• Feature Alignment and Restoration for Domain Generalization and Adaptation [93.39253443415392]
  クロスドメイン機能アライメントは、ドメイン不変表現を学ぶために、異なるドメインの特徴分布を抽出するために広く研究されてきた。 本稿では,FAR(Feature Alignment and Restoration)と呼ばれる統合フレームワークを提案する。 複数の分類ベンチマークの実験は、ドメインの一般化と教師なしドメインの適応の両方のためのFARフレームワークの性能と強力な一般化を実証している。
  論文  参考訳（メタデータ） (2020-06-22T05:08:13Z)
• Single-Side Domain Generalization for Face Anti-Spoofing [91.79161815884126]
  対面型アンチスプーフィングの一般化能力を向上させるために,エンドツーエンドの単一側ドメイン一般化フレームワークを提案する。 提案手法は,4つの公開データベース上での最先端手法よりも効果的かつ優れた手法である。
  論文  参考訳（メタデータ） (2020-04-29T09:32:54Z)

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。