Fugu-MT 論文翻訳(概要): MixFace: Improving Face Verification Focusing on Fine-grained Conditions

論文の概要: MixFace: Improving Face Verification Focusing on Fine-grained Conditions

arxiv url: http://arxiv.org/abs/2111.01717v1
Date: Tue, 2 Nov 2021 16:34:54 GMT
ステータス: 処理完了
システム内更新日: 2021-11-03 14:04:52.294132
Title: MixFace: Improving Face Verification Focusing on Fine-grained Conditions
Title（参考訳）: MixFace: きめ細かい条件に着目した顔認証の改善
Authors: Junuk Jung, Sungbin Son, Joochan Park, Yongjun Park, Seonhoon Lee, Heung-Seon Oh
Abstract要約: 分類と計量損失を組み合わせた新しい損失関数MixFaceを提案する。 MixFaceの有効性と堅牢性は、様々なベンチマークデータセットで実験的に実証されている。
参考スコア（独自算出の注目度）: 2.078506623954885
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The performance of face recognition has become saturated for public benchmark datasets such as LFW, CFP-FP, and AgeDB, owing to the rapid advances in CNNs. However, the effects of faces with various fine-grained conditions on FR models have not been investigated because of the absence of such datasets. This paper analyzes their effects in terms of different conditions and loss functions using K-FACE, a recently introduced FR dataset with fine-grained conditions. We propose a novel loss function, MixFace, that combines classification and metric losses. The superiority of MixFace in terms of effectiveness and robustness is demonstrated experimentally on various benchmark datasets.
Abstract（参考訳）: CNNの急速な進歩により、LFW、CFP-FP、AgeDBなどの公開ベンチマークデータセットでは、顔認識のパフォーマンスが飽和している。しかし、これらのデータセットが存在しないため、さまざまな微粒な条件の顔がFRモデルに与える影響は研究されていない。 K-FACE(K-FACE, FRデータセット)を用いて, 異なる条件と損失関数を用いてそれらの効果を解析する。本研究では,分類と計量損失を組み合わせた新しい損失関数mixfaceを提案する。 MixFaceの有効性と堅牢性は、様々なベンチマークデータセットで実験的に実証されている。

関連論文リスト

UniTSFace: Unified Threshold Integrated Sample-to-Sample Loss for Face Recognition [35.66000285310775]
サンプル・サンプル・サンプル・ベース・ロス(USS損失)の統合しきい値を提案する。 USS損失は、正の対と負の対を区別するための明確な統一されたしきい値である。また,サンプル対サンプルベースのソフトマックスとBCE損失を導出し,それらの関係について考察した。
論文参考訳（メタデータ） (2023-11-04T23:00:40Z)
DifFIQA: Face Image Quality Assessment Using Denoising Diffusion Probabilistic Models [1.217503190366097]
顔画像品質評価(FIQA)技術は、これらの性能劣化を軽減することを目的としている。拡散確率モデル(DDPM)に基づく強力な新しいFIQA手法DifFIQAを提案する。拡散に基づく摂動は計算コストが高いため、DifFIQA(R)と呼ばれる回帰ベースの品質予測器にDifFIQAで符号化された知識を蒸留する。
論文参考訳（メタデータ） (2023-05-09T21:03:13Z)
Personalized Federated Learning under Mixture of Distributions [98.25444470990107]
本稿では,ガウス混合モデル(GMM)を用いたPFL(Personalized Federated Learning)を提案する。 FedGMMはオーバーヘッドを最小限に抑え、新しいクライアントに適応する付加的なアドバンテージを持ち、不確実な定量化を可能にします。 PFL分類と新しいサンプル検出の両方において, 合成データセットとベンチマークデータセットの実証評価により, 提案手法の優れた性能を示した。
論文参考訳（メタデータ） (2023-05-01T20:04:46Z)
Chasing Fairness Under Distribution Shift: A Model Weight Perturbation Approach [72.19525160912943]
まず,分布シフト,データ摂動,モデルウェイト摂動の関連性を理論的に検証した。次に、ターゲットデータセットの公平性を保証するのに十分な条件を分析します。これらの十分な条件により、ロバストフェアネス正則化(RFR)を提案する。
論文参考訳（メタデータ） (2023-03-06T17:19:23Z)
Blind Face Restoration: Benchmark Datasets and a Baseline Model [63.053331687284064]
Blind Face Restoration (BFR) は、対応する低品質 (LQ) 入力から高品質 (HQ) の顔画像を構築することを目的としている。 EDFace-Celeb-1M (BFR128) と EDFace-Celeb-150K (BFR512) と呼ばれる2つのブラインドフェイス復元ベンチマークデータセットを最初に合成する。最先端の手法は、ブラー、ノイズ、低解像度、JPEG圧縮アーティファクト、それらの組み合わせ(完全な劣化)の5つの設定でベンチマークされる。
論文参考訳（メタデータ） (2022-06-08T06:34:24Z)
AdaFace: Quality Adaptive Margin for Face Recognition [56.99208144386127]
本稿では、損失関数、すなわち画像品質における適応性の別の側面を紹介する。そこで本稿では,画像品質に基づいて異なる難易度を示す新たな損失関数を提案する。提案手法は,4つのデータセット上でのSoTA(State-of-the-art)による顔認識性能を向上させる。
論文参考訳（メタデータ） (2022-04-03T01:23:41Z)
Escaping Data Scarcity for High-Resolution Heterogeneous Face Hallucination [68.78903256687697]
Heterogeneous Face Recognition (HFR) では、視覚や熱といった2つの異なる領域にまたがる顔のマッチングが目的である。合成によるギャップを埋めようとする最近の手法は有望な結果を得たが、ペアトレーニングデータの不足により、その性能は依然として制限されている。本稿では,HFRのための新しい顔幻覚パラダイムを提案する。これはデータ効率のよい合成を可能にするだけでなく,プライバシポリシーを破ることなくモデルトレーニングのスケールアップを可能にする。
論文参考訳（メタデータ） (2022-03-30T20:44:33Z)
On Recognizing Occluded Faces in the Wild [10.420394952839242]
我々は、Real World Occluded Facesデータセットを提示する。このデータセットは、両方の上面を持つ顔を含む。サングラスと下面が原因ですマスクで閉ざされたモデルが合成閉塞面上で試験された場合, 性能低下ははるかに小さいことが観察された。
論文参考訳（メタデータ） (2021-09-08T14:20:10Z)
Semantic Neighborhood-Aware Deep Facial Expression Recognition [14.219890078312536]
意味的摂動を定式化し,訓練中に信頼できないサンプルを選択する新しい手法を提案する。実験の結果,提案手法の有効性が示され,その結果が得られた。
論文参考訳（メタデータ） (2020-04-27T11:48:17Z)
Suppressing Uncertainties for Large-Scale Facial Expression Recognition [81.51495681011404]
本稿では,不確実性を効果的に抑制し,深層ネットワークが不確実な顔画像に過度に収まらないような,シンプルで効率的なセルフキュアネットワーク(SCN)を提案する。公開ベンチマークの結果、我々のSCNは現在の最先端メソッドよりも、RAF-DBで textbf88.14%、AffectNetで textbf60.23%、FERPlusで textbf89.35% を上回りました。
論文参考訳（メタデータ） (2020-02-24T17:24:36Z)

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。