論文の概要: SELM: Siamese Extreme Learning Machine with Application to Face Biometrics

• arxiv url: http://arxiv.org/abs/2108.03140v1
• Date: Fri, 6 Aug 2021 14:19:10 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-09 14:40:14.587417
• Title: SELM: Siamese Extreme Learning Machine with Application to Face Biometrics
• Title（参考訳）: selm:siamese extreme learning machineと顔バイオメトリックスへの応用
• Authors: Wasu Kudisthalert, Kitsuchart Pasupa, Aythami Morales, Julian Fierrez
• Abstract要約: Extreme Leaning Machineの構造は、2つの入力データストリームを同時に供給するように設計されていない。 提案された特徴は97.87%の精度と99.45%のAUCで正確な分類を行うことができた。 彼らはよく知られたDCNNとExtreme Leaning Machineの手法を幅広いマージンで上回った。
• 参考スコア（独自算出の注目度）: 10.319240477851553
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Extreme Learning Machine is a powerful classification method very competitive existing classification methods. It is extremely fast at training. Nevertheless, it cannot perform face verification tasks properly because face verification tasks require comparison of facial images of two individuals at the same time and decide whether the two faces identify the same person. The structure of Extreme Leaning Machine was not designed to feed two input data streams simultaneously, thus, in 2-input scenarios Extreme Learning Machine methods are normally applied using concatenated inputs. However, this setup consumes two times more computational resources and it is not optimized for recognition tasks where learning a separable distance metric is critical. For these reasons, we propose and develop a Siamese Extreme Learning Machine (SELM). SELM was designed to be fed with two data streams in parallel simultaneously. It utilizes a dual-stream Siamese condition in the extra Siamese layer to transform the data before passing it along to the hidden layer. Moreover, we propose a Gender-Ethnicity-Dependent triplet feature exclusively trained on a variety of specific demographic groups. This feature enables learning and extracting of useful facial features of each group. Experiments were conducted to evaluate and compare the performances of SELM, Extreme Learning Machine, and DCNN. The experimental results showed that the proposed feature was able to perform correct classification at 97.87% accuracy and 99.45% AUC. They also showed that using SELM in conjunction with the proposed feature provided 98.31% accuracy and 99.72% AUC. They outperformed the well-known DCNN and Extreme Leaning Machine methods by a wide margin.
• Abstract（参考訳）: Extreme Learning Machineは、競争力のある既存の分類手法である。 訓練は非常に速い。 しかしながら、顔認証タスクは、同時に2人の顔画像を比較し、同一人物を識別するかどうかを判断する必要があるため、顔認証タスクを適切に実行することはできない。 Extreme Leaning Machineの構造は、2つの入力データストリームを同時に供給するように設計されていないため、2つの入力シナリオでは、Extreme Learning Machineメソッドは通常、連結入力を使用して適用される。 しかし、このセットアップは2倍の計算資源を消費し、分離可能な距離メトリックの学習が重要となる認識タスクには最適化されない。 これらの理由から,我々はSamese Extreme Learning Machine (SELM) を提案し,開発する。 SELMは2つのデータストリームを同時に供給するように設計された。 余分な siamese 層でデュアルストリームの siamese 条件を使用してデータを変換し、それを隠れた層に渡す。 さらに,特定の集団でのみ訓練された性倫理依存三重項特徴を提案する。 この機能は、各グループの有用な顔の特徴の学習と抽出を可能にする。 実験により,SELM,Extreme Learning Machine,DCNNの性能を評価し,比較した。 実験の結果,提案手法は97.87%の精度と99.45%のaucで正確な分類が可能であった。 また、提案された特徴とselmを併用することで98.31%の精度と99.72%のaucが得られることを示した。 彼らはよく知られたDCNNとExtreme Leaning Machineの手法を幅広いマージンで上回った。

関連論文リスト

• HSEmotion Team at the 7th ABAW Challenge: Multi-Task Learning and Compound Facial Expression Recognition [16.860963320038902]
  HSEmotionチームは,第7回ABAW(Affective Behavior Analysis in-the-wild)コンペティションの2つの課題について報告する。 マルチタスク設定で事前学習したフレームレベルの顔特徴抽出器に基づく効率的なパイプラインを提案する。 ニューラルネットワークの軽量アーキテクチャを利用することで、私たちのテクニックのプライバシ意識を確保する。
  論文  参考訳（メタデータ） (2024-07-18T05:47:49Z)
• Task-customized Masked AutoEncoder via Mixture of Cluster-conditional Experts [104.9871176044644]
  Masked Autoencoder (MAE) は,モデル事前学習において有望な結果が得られる自己教師型学習手法である。 我々は、新しいMAEベースの事前学習パラダイム、Mixture of Cluster-conditional Experts (MoCE)を提案する。 MoCEは、クラスタ条件ゲートを使用して、各専門家にセマンティックなイメージのみをトレーニングする。
  論文  参考訳（メタデータ） (2024-02-08T03:46:32Z)
• Towards Machine Unlearning Benchmarks: Forgetting the Personal Identities in Facial Recognition Systems [4.985768723667418]
  本研究では,モデルの本来のタスクを維持しつつ,個人のプライバシ(アイデンティティ)を含む特定のインスタンスを解放することを目的とした機械学習環境を提案する。 具体的には、MUCACとMUFACの2つの機械学習ベンチマークデータセットを提案し、機械学習アルゴリズムの性能と堅牢性を評価するのに非常に有用である。
  論文  参考訳（メタデータ） (2023-11-03T21:00:32Z)
• Machine Learning Capability: A standardized metric using case difficulty with applications to individualized deployment of supervised machine learning [2.2060666847121864]
  モデル評価は教師付き機械学習分類解析において重要な要素である。 アイテム応答理論(IRT)と機械学習を用いたコンピュータ適応テスト(CAT)は、最終分類結果とは無関係にデータセットをベンチマークすることができる。
  論文  参考訳（メタデータ） (2023-02-09T00:38:42Z)
• Mitigating Representation Bias in Action Recognition: Algorithms and Benchmarks [76.35271072704384]
  ディープラーニングモデルは、稀なシーンやオブジェクトを持つビデオに適用すると、パフォーマンスが悪くなります。 この問題にはアルゴリズムとデータセットの2つの異なる角度から対処する。 偏りのある表現は、他のデータセットやタスクに転送するとより一般化できることを示す。
  論文  参考訳（メタデータ） (2022-09-20T00:30:35Z)
• Unimodal Face Classification with Multimodal Training [1.9580473532948401]
  顔の頑健な分類のためのMTUT(Multimodal Training Unimodal Test)フレームワークを提案する。 本フレームワークは,トレーニング中のモダリティ間の関係を利用して,テスト中の不完全な単一モダリティ入力の補完として適用する。 MTUTフレームワークは、両方のデータセットの2Dおよび3D設定において、10のベースラインを一貫して上回ることを示す。
  論文  参考訳（メタデータ） (2021-12-08T09:12:47Z)
• No Fear of Heterogeneity: Classifier Calibration for Federated Learning with Non-IID Data [78.69828864672978]
  実世界のフェデレーションシステムにおける分類モデルのトレーニングにおける中心的な課題は、非IIDデータによる学習である。 このアルゴリズムは, 近似されたssian混合モデルからサンプリングした仮想表現を用いて分類器を調整する。 実験の結果,CIFAR-10,CIFAR-100,CINIC-10など,一般的なフェデレーション学習ベンチマークにおけるCCVRの現状が示された。
  論文  参考訳（メタデータ） (2021-06-09T12:02:29Z)
• ASCNet: Self-supervised Video Representation Learning with Appearance-Speed Consistency [62.38914747727636]
  本研究では,1)明示的な監督のためのラベルの欠如,2)構造化されていない,ノイズの多い視覚情報による自己指導型映像表現学習について検討する。 既存の方法は、主にビデオクリップをインスタンスとしてコントラスト損失を使用し、互いにインスタンスを識別することで視覚的表現を学ぶ。 本稿では,ロバストな映像表現を学ぶ上で,正のサンプル間の一貫性が鍵となることを観察する。
  論文  参考訳（メタデータ） (2021-06-04T08:44:50Z)
• Symbiotic Adversarial Learning for Attribute-based Person Search [86.7506832053208]
  本稿では,共生学習の枠組みとして,共生学習の基盤に2つのGANを配置する。 具体的には、2種類の生成的敵ネットワークがトレーニングプロセスを通して協調的に学習する。
  論文  参考訳（メタデータ） (2020-07-19T07:24:45Z)
• Deep Multi-task Multi-label CNN for Effective Facial Attribute Classification [53.58763562421771]
  DMM-CNN(ディープ・マルチタスク・マルチラベル・CNN)による効果的な顔属性分類(FAC)を提案する。 具体的には、DMM-CNNは、2つの密接に関連するタスク(顔のランドマーク検出とFAC)を共同で最適化し、マルチタスク学習を活用することにより、FACの性能を向上させる。 2つの異なるネットワークアーキテクチャは2つの属性のグループの特徴を抽出するために設計され、トレーニング中に各顔属性に損失重みを自動的に割り当てる新しい動的重み付け方式が提案されている。
  論文  参考訳（メタデータ） (2020-02-10T12:34:16Z)

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。