論文の概要: Facial Recognition in Collaborative Learning Videos

• arxiv url: http://arxiv.org/abs/2110.13269v1
• Date: Mon, 25 Oct 2021 21:05:06 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-28 08:48:53.797228
• Title: Facial Recognition in Collaborative Learning Videos
• Title（参考訳）: 協調学習ビデオにおける顔認識
• Authors: Phuong Tran, Marios Pattichis, Sylvia Celed\'on-Pattichis, Carlos L\'opezLeiva
• Abstract要約: 我々は,協調学習システムにおける参加者の認識を動的に行うシステムを開発した。 顔検出履歴の過去の情報を用いて,隠蔽と認識障害に対処する。 その結果,提案システムは非常に高速かつ高精度であることが判明した。
• 参考スコア（独自算出の注目度）: 1.2234742322758416
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Face recognition in collaborative learning videos presents many challenges. In collaborative learning videos, students sit around a typical table at different positions to the recording camera, come and go, move around, get partially or fully occluded. Furthermore, the videos tend to be very long, requiring the development of fast and accurate methods. We develop a dynamic system of recognizing participants in collaborative learning systems. We address occlusion and recognition failures by using past information about the face detection history. We address the need for detecting faces from different poses and the need for speed by associating each participant with a collection of prototype faces computed through sampling or K-means clustering. Our results show that the proposed system is proven to be very fast and accurate. We also compare our system against a baseline system that uses InsightFace [2] and the original training video segments. We achieved an average accuracy of 86.2% compared to 70.8% for the baseline system. On average, our recognition rate was 28.1 times faster than the baseline system.
• Abstract（参考訳）: 協調学習ビデオにおける顔認識には多くの課題がある。 共同学習ビデオでは、学生は通常のテーブルの周りに座り、記録カメラの異なる位置に座り、行き来し、移動し、部分的にあるいは完全に閉鎖される。 さらに、ビデオは非常に長く、高速で正確な方法の開発が必要となる。 協調学習システムにおいて,参加者を認識できる動的システムを開発した。 顔検出履歴の過去の情報を用いて,隠蔽と認識障害に対処する。 異なるポーズから顔を検出する必要性と、各参加者にサンプリングまたはk-meansクラスタリングによって計算されたプロトタイプ顔の集合を関連付けることで、速度の必要性に対処する。 その結果,提案システムは非常に高速かつ高精度であることが判明した。 また,InsightFace [2]とトレーニングビデオセグメントを用いたベースラインシステムとの比較を行った。 平均精度は86.2%で, 基準系では70.8%であった。 平均して、認識速度はベースラインシステムより28.1倍速くなった。

関連論文リスト

• Explainable Model-Agnostic Similarity and Confidence in Face Verification [5.257115841810258]
  本研究は,顔認識システムの説明に焦点をあてる。 まず、2つの入力画像間の顔の特徴距離に基づいて、これらのシステムに対する信頼度スコアを導入する。 第二に、より意味のある予測を得るための新しい可視化手法を確立する。 第三に、いくつかの最先端の顔認証データセットに対する信頼度スコアと説明マップを算出する。
  論文  参考訳（メタデータ） (2022-11-24T17:52:47Z)
• Towards a Real-Time Facial Analysis System [13.649384403827359]
  本稿では,リアルタイム顔分析システムのシステムレベル設計について述べる。 オブジェクトの検出、分類、回帰のためのディープニューラルネットワークのコレクションにより、カメラビューに現れる各人物の年齢、性別、表情、顔の類似性を認識する。 一般的なオフ・ザ・シェルフアーキテクチャの結果、システムの精度は最先端の手法に匹敵し、認識速度はリアルタイムの要求を満たすことが示された。
  論文  参考訳（メタデータ） (2021-09-21T18:27:15Z)
• 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)
• CoCon: Cooperative-Contrastive Learning [52.342936645996765]
  自己教師付き視覚表現学習は効率的な映像分析の鍵である。 最近の画像表現の学習の成功は、コントラスト学習がこの課題に取り組むための有望なフレームワークであることを示唆している。 コントラスト学習の協調的バリエーションを導入し、ビュー間の相補的な情報を活用する。
  論文  参考訳（メタデータ） (2021-04-30T05:46:02Z)
• An Improved Real-Time Face Recognition System at Low Resolution Based on Local Binary Pattern Histogram Algorithm and CLAHE [0.0]
  本研究では、ポーズや感情、解像度のバリエーションのある15ピクセルの低解像度のリアルタイム顔認識システムを提案する。 トレーニングや分類に使用されている LRD200 と LRD100 というデータセットを設計しました。 この顔認識システムは、法執行目的で使用することができ、監視カメラは、カメラから人の距離のために低解像度の画像をキャプチャします。
  論文  参考訳（メタデータ） (2021-04-15T04:54:29Z)
• Semi-Supervised Action Recognition with Temporal Contrastive Learning [50.08957096801457]
  2つの異なる速度でラベル付きビデオを用いて2経路の時間的コントラストモデルを学習する。 我々は最先端の半教師付き画像認識手法の映像拡張性能を著しく向上させた。
  論文  参考訳（メタデータ） (2021-02-04T17:28:35Z)
• ID-Reveal: Identity-aware DeepFake Video Detection [24.79483180234883]
  ID-Reveal(ID-Reveal)は、時間的顔の特徴を学習する新しいアプローチだ。 偽物のトレーニングデータは必要ありませんが、実際のビデオでトレーニングするだけです。 高圧縮映像における顔再現の精度は平均15%以上向上した。
  論文  参考訳（メタデータ） (2020-12-04T10:43:16Z)
• RSPNet: Relative Speed Perception for Unsupervised Video Representation Learning [100.76672109782815]
  本研究では,未ラベル映像のみから動作特徴と外観特徴の両方を学習するための教師なし映像表現学習について検討する。 動作と外観の両方をうまくモデル化するために、適切な自己指導タスクを構築することは困難である。 再生速度を知覚し、2つのビデオクリップ間の相対速度をラベルとして利用するための新しい手法を提案する。
  論文  参考訳（メタデータ） (2020-10-27T16:42:50Z)
• A Cluster-Matching-Based Method for Video Face Recognition [0.0]
  ビデオにおける顔認識のためのクラスタマッチングに基づくアプローチを提案する。 本手法は,ビデオ顔認識のタスクにおいて,99.435%のリコールと99.131%の精度を達成した。
  論文  参考訳（メタデータ） (2020-10-20T00:44:54Z)
• Video Representation Learning with Visual Tempo Consistency [105.20094164316836]
  映像表現学習における自己超越信号として視覚的テンポが有効であることを示す。 本稿では,階層的コントラスト学習によるスロービデオと高速ビデオの表現間の相互情報の最大化を提案する。
  論文  参考訳（メタデータ） (2020-06-28T02:46:44Z)
• Investigating the Impact of Inclusion in Face Recognition Training Data on Individual Face Identification [93.5538147928669]
  最新のオープンソースの顔認識システムであるArcFaceを、100万枚以上の散らばった画像を用いた大規模な顔識別実験で監査する。 モデルのトレーニングデータには79.71%、存在しない人には75.73%のランク1顔認証精度がある。
  論文  参考訳（メタデータ） (2020-01-09T15:50:28Z)

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。