論文の概要: FocusFace: Multi-task Contrastive Learning for Masked Face Recognition
- arxiv url: http://arxiv.org/abs/2110.14940v1
- Date: Thu, 28 Oct 2021 08:17:12 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-29 14:56:22.977086
- Title: FocusFace: Multi-task Contrastive Learning for Masked Face Recognition
- Title（参考訳）: FocusFace: マスキング顔認識のためのマルチタスクコントラスト学習
- Authors: Pedro C. Neto, Fadi Boutros, Jo\~ao Ribeiro Pinto, Naser Damer, Ana F.
Sequeira and Jaime S. Cardoso
- Abstract要約: SARS-CoV-2は科学界に直接的かつ間接的な課題を提示した。
顔認識手法は、マスクやマスクされていない個人に類似した精度で身元確認を行うのに苦労する。
本研究では,マルチタスクアーキテクチャであるFocusFaceを提案する。
- 参考スコア（独自算出の注目度）: 4.420321822469077
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: SARS-CoV-2 has presented direct and indirect challenges to the scientific
community. One of the most prominent indirect challenges advents from the
mandatory use of face masks in a large number of countries. Face recognition
methods struggle to perform identity verification with similar accuracy on
masked and unmasked individuals. It has been shown that the performance of
these methods drops considerably in the presence of face masks, especially if
the reference image is unmasked. We propose FocusFace, a multi-task
architecture that uses contrastive learning to be able to accurately perform
masked face recognition. The proposed architecture is designed to be trained
from scratch or to work on top of state-of-the-art face recognition methods
without sacrificing the capabilities of a existing models in conventional face
recognition tasks. We also explore different approaches to design the
contrastive learning module. Results are presented in terms of masked-masked
(M-M) and unmasked-masked (U-M) face verification performance. For both
settings, the results are on par with published methods, but for M-M
specifically, the proposed method was able to outperform all the solutions that
it was compared to. We further show that when using our method on top of
already existing methods the training computational costs decrease
significantly while retaining similar performances. The implementation and the
trained models are available at GitHub.
- Abstract（参考訳）: SARS-CoV-2は科学界に直接的かつ間接的な課題を提示した。
最も顕著な間接的課題の1つは、多くの国でフェイスマスクを強制的に使用することによるものである。
顔認識手法は、マスクやマスクされていない個人に類似した精度で身元確認を行うのに苦労する。
これらの手法の性能はマスクの存在下で著しく低下し,特に参照画像がマスクされていない場合には顕著に低下することが示されている。
本研究では,マスク付き顔認識を高精度に行うために,コントラスト学習を用いたマルチタスクアーキテクチャであるfocusfaceを提案する。
提案するアーキテクチャは,従来の顔認識タスクで既存モデルの機能を犠牲にすることなく,スクラッチからトレーニングするか,最先端の顔認識手法上で作業するように設計されている。
また,コントラスト学習モジュールの設計方法も検討した。
結果はマスクマスク(m-m)およびアンマスクマスクマスク(u-m)顔認証性能で示される。
どちらの設定でも、結果は公表された手法と同等であるが、特にM-Mでは、提案手法は比較された全ての解より優れている。
さらに,本手法を既存手法上で使用した場合,類似性能を維持しながら,トレーニング計算コストが大幅に低下することを示した。
実装とトレーニングされたモデルはgithubで公開されている。
関連論文リスト
- Seeing through the Mask: Multi-task Generative Mask Decoupling Face
Recognition [47.248075664420874]
現在の一般的な顔認識システムは、隠蔽シーンに遭遇する際の重大な性能劣化に悩まされている。
本稿では,これら2つのタスクを協調的に扱うために,マルチタスクのgEnerative mask dEcoupling Face Recognition (MEER) ネットワークを提案する。
まず,マスクと識別情報を分離する新しいマスクデカップリングモジュールを提案する。
論文 参考訳（メタデータ） (2023-11-20T03:23:03Z) - An Exploratory Study of Masked Face Recognition with Machine Learning
Algorithms [0.0]
新型コロナウイルス(COVID-19)のパンデミックで、マスクの使用は私たちの日常生活にとって重要になっている。
顔認識におけるマスク着用の効果は、まだ未検討の課題である。
我々は, SVC, KNN, LDA, DT, LR, NBの6つの従来の機械学習アルゴリズムを用いて, 最高性能の機械学習アルゴリズムを探索する。
論文 参考訳（メタデータ） (2023-06-14T14:50:23Z) - DPPMask: Masked Image Modeling with Determinantal Point Processes [49.65141962357528]
Masked Image Modeling (MIM)は、ランダムにマスキングされた画像の再構成を目的として、印象的な代表的性能を達成した。
先行研究で広く使われている一様ランダムマスキングは、必然的にいくつかの重要なオブジェクトを失い、元のセマンティック情報を変更する。
この問題に対処するため、MIMを新しいマスキング戦略であるDPPMaskで強化する。
提案手法は単純だが有効であり,様々なフレームワークで実装される場合,余分に学習可能なパラメータは不要である。
論文 参考訳（メタデータ） (2023-03-13T13:40:39Z) - A Unified Framework for Masked and Mask-Free Face Recognition via
Feature Rectification [19.417191498842044]
マスク付き顔とマスクなし顔の両方を識別するための統合フレームワークである顔特徴整形ネットワーク(FFR-Net)を提案する。
本研究では,最先端認識モデルにより抽出された特徴を,空間次元とチャネル次元の両方で整列するための整列ブロックを導入する。
実験により,我々のフレームワークは,マスク付き顔とマスクなし顔の両方を効果的に認識するための修正された特徴空間を学習できることが示されている。
論文 参考訳（メタデータ） (2022-02-15T12:37:59Z) - Mask-invariant Face Recognition through Template-level Knowledge
Distillation [3.727773051465455]
マスクは従来の顔認識システムの性能に影響を与える。
マスク不変顔認識ソリューション(MaskInv)を提案する。
蒸留された知識に加えて、学生ネットワークは、マージンベースのアイデンティティ分類損失による追加ガイダンスの恩恵を受ける。
論文 参考訳（メタデータ） (2021-12-10T16:19:28Z) - MLFW: A Database for Face Recognition on Masked Faces [56.441078419992046]
Masked LFW (MLFW) は、マスクのない顔からマスクされた顔を自動的に生成するツールである。
SOTAモデルの認識精度は、元の画像の精度と比較して、MLFWデータベース上で5%-16%低下する。
論文 参考訳（メタデータ） (2021-09-13T09:30:10Z) - End2End Occluded Face Recognition by Masking Corrupted Features [82.27588990277192]
最先端の一般的な顔認識モデルは、隠蔽された顔画像に対してうまく一般化しない。
本稿では,1つのエンドツーエンドのディープニューラルネットワークに基づいて,オクルージョンに頑健な新しい顔認識手法を提案する。
我々のアプローチは、深い畳み込みニューラルネットワークから破損した特徴を発見し、動的に学習されたマスクによってそれらをきれいにする。
論文 参考訳（メタデータ） (2021-08-21T09:08:41Z) - My Eyes Are Up Here: Promoting Focus on Uncovered Regions in Masked Face
Recognition [4.171626860914305]
マスク付き顔認識(MFR)の課題に対処し、FRSにおける検証性能の評価に焦点をあてる。
本研究では,従来の三重項損失と平均二乗誤差(MSE)を組み合わせることで,マスク付き非マスク比較モードにおけるMFRシステムのロバスト性を改善する手法を提案する。
論文 参考訳（メタデータ） (2021-08-02T15:51:15Z) - Contrastive Context-Aware Learning for 3D High-Fidelity Mask Face
Presentation Attack Detection [103.7264459186552]
顔認識システムには、顔提示攻撃検出(PAD)が不可欠である。
ほとんどの既存の3DマスクPADベンチマークにはいくつかの欠点があります。
現実世界のアプリケーションとのギャップを埋めるために、大規模なハイファイアリティマスクデータセットを紹介します。
論文 参考訳（メタデータ） (2021-04-13T12:48:38Z) - Unmasking Face Embeddings by Self-restrained Triplet Loss for Accurate
Masked Face Recognition [6.865656740940772]
マスク付き顔認識性能を改善するためのソリューションを提案する。
具体的には,既存の顔認識モデル上で動作させるEmbedding Unmasking Model (EUM)を提案する。
また、EUMが同一アイデンティティのマスクされていない顔のこれらに類似した埋め込みを作成することを可能にする新しい損失関数、自己拘束トリプルト(SRT)を提案します。
論文 参考訳（メタデータ） (2021-03-02T13:43:11Z) - Towards Face Encryption by Generating Adversarial Identity Masks [53.82211571716117]
敵の識別マスクを生成するためのターゲットID保護反復法(TIP-IM)を提案する。
TIP-IMは、様々な最先端の顔認識モデルに対して95%以上の保護成功率を提供する。
論文 参考訳（メタデータ） (2020-03-15T12:45:10Z)
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。