Fugu-MT 論文翻訳(概要): Security Monitoring System Using FaceNet For Wireless Sensor Network

論文の概要: Security Monitoring System Using FaceNet For Wireless Sensor Network

arxiv url: http://arxiv.org/abs/2112.01305v1
Date: Thu, 2 Dec 2021 15:01:02 GMT
ステータス: 処理完了
システム内更新日: 2023-03-06 02:21:17.042125
Title: Security Monitoring System Using FaceNet For Wireless Sensor Network
Title（参考訳）: FaceNetを用いた無線センサネットワークのセキュリティ監視システム
Authors: Preetha S, Sheela S V
Abstract要約: 顔認識アルゴリズムFaceNetは、セキュリティ監視ネットワークの実装に使用される。システムは、顔認識にマルチタスクカスケード畳み込みニューラルネットワーク(MCTNN)とFaceNetアルゴリズムを使用する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: Wireless Sensor networks are used to monitor remote areas. Wireless sensor network can be applied to monitor a facility by considering each camera as sensor nodes. Cameras are used as nodes in a wireless sensor network with a central server or a gateway node for all the monitoring and analysis of the information retrieved from the nodes. Identification and authentication of users in any organization is quite difficult due to high movement. Face recognition can be used detect faces and identify them continuously in a video feed which can be deployed to continuously monitor an area. Feeding from camera to base station uses Multi-task Cascaded Convolutional Neural Networks (MCTNN) and FaceNet algorithms for face recognition. Further information about the person is sent to all the end-user nodes present in the wireless network. This approach has been implemented and evaluated on a prototype wired camera network called FaceNet. A method for tracking people in 2D world coordinates and acquiring canonical frontal face images that fits the sensor network paradigm. The approach evaluates and demonstrates the tasking algorithm in action on data acquired from the FaceNet camera network. In this paper, face recognition algorithm FaceNet is used to implement security monitoring network
Abstract（参考訳）: 無線センサネットワークは遠隔地を監視するために使用される。無線センサネットワークは、各カメラをセンサノードとして考慮し、施設を監視できる。カメラは、中央サーバまたはゲートウェイノードを備えた無線センサネットワークのノードとして使用され、ノードから取得した情報の監視と分析を行う。あらゆる組織におけるユーザの識別と認証は、高い動きのために非常に難しい。顔認識は、顔を検出して、その領域を継続的に監視するためにデプロイ可能なビデオフィード内で連続的に識別することができる。カメラから基地局へのフィードは、顔認識にマルチタスクカスケード畳み込みニューラルネットワーク(MCTNN)とFaceNetアルゴリズムを使用する。無線ネットワークに存在するすべてのエンドユーザノードに、その人に関するさらなる情報を送信する。このアプローチはFaceNetと呼ばれるプロトタイプの有線カメラネットワーク上で実装され評価されている。 2次元世界座標の人物を追跡し、センサネットワークパラダイムに適合する正準前面画像を取得する方法。このアプローチは、facenetカメラネットワークから取得したデータに対してタスク処理アルゴリズムの評価と実演を行う。本稿では,顔認識アルゴリズムのfacenetを用いてセキュリティ監視ネットワークを実現する。

関連論文リスト

SqueezerFaceNet: Reducing a Small Face Recognition CNN Even More Via Filter Pruning [55.84746218227712]
我々は,100万パラメータ未満の軽量顔認識ネットワークであるSqueezerFaceNetを開発した。性能を損なうことなく、さらに(最大40%)削減できることを示す。
論文参考訳（メタデータ） (2023-07-20T08:38:50Z)
DensePose From WiFi [86.61881052177228]
WiFi信号の位相と振幅を24のヒト領域内の紫外線座標にマッピングするディープニューラルネットワークを開発した。本モデルでは,複数の被験者の密集したポーズを,画像に基づくアプローチと同等の性能で推定することができる。
論文参考訳（メタデータ） (2022-12-31T16:48:43Z)
A Wireless-Vision Dataset for Privacy Preserving Human Activity Recognition [53.41825941088989]
アクティビティ認識の堅牢性を改善するため,WiNN(WiFi-based and video-based neural network)が提案されている。以上の結果から,WiViデータセットは一次需要を満足し,パイプライン内の3つのブランチはすべて,80%以上のアクティビティ認識精度を維持していることがわかった。
論文参考訳（メタデータ） (2022-05-24T10:49:11Z)
Finding Facial Forgery Artifacts with Parts-Based Detectors [73.08584805913813]
顔の個々の部分に焦点を絞った一連の偽造検知システムを設計する。これらの検出器を用いて、FaceForensics++、Celeb-DF、Facebook Deepfake Detection Challengeデータセットの詳細な実験分析を行う。
論文参考訳（メタデータ） (2021-09-21T16:18:45Z)
Network Activities Recognition and Analysis Based on Supervised Machine Learning Classification Methods Using J48 and Na\"ive Bayes Algorithm [1.6181085766811525]
教師付き分類技術に基づく機械学習手法の適用は、重大で退屈な作業からネットワークセキュリティスタッフを解放するのに役立ちます。微調整されたモデルは、ユーザの振る舞いを正確に認識し、比較的高い精度と適応性を備えた永続的な監視を提供する。
論文参考訳（メタデータ） (2021-05-28T09:44:14Z)
Verification of Image-based Neural Network Controllers Using Generative Models [30.34898838361206]
本稿では,GAN (Generative Adversarial Network) を学習し,入力画像に状態をマップする手法を提案する。発電機ネットワークと制御ネットワークを連結することにより、低次元の入力空間を有するネットワークを得る。本手法は,自律航空機のタクシー問題に対して,画像ベースニューラルネットワークコントローラの安全性保証を行う。
論文参考訳（メタデータ） (2021-05-14T23:18:05Z)
D-Unet: A Dual-encoder U-Net for Image Splicing Forgery Detection and Localization [108.8592577019391]
画像スプライシング偽造検出は、画像指紋によって改ざんされた領域と非改ざんされた領域を区別するグローバルバイナリ分類タスクである。画像スプライシングフォージェリ検出のためのデュアルエンコーダU-Net(D-Unet)という,固定されていないエンコーダと固定エンコーダを用いた新しいネットワークを提案する。 D-Unetと最先端技術の比較実験において、D-Unetは画像レベルおよび画素レベルの検出において他の手法よりも優れていた。
論文参考訳（メタデータ） (2020-12-03T10:54:02Z)
Vision Meets Wireless Positioning: Effective Person Re-identification with Recurrent Context Propagation [120.18969251405485]
既存の人物再識別方法は、歩行者を捕獲する視覚センサーに依存している。携帯電話は、無線測位信号の形で、WiFiや携帯電話ネットワークによって感知することができる。本稿では,視覚データと無線位置決めデータの間で情報伝達を可能にする新しいコンテキスト伝搬モジュールを提案する。
論文参考訳（メタデータ） (2020-08-10T14:19:15Z)
Can Your Face Detector Do Anti-spoofing? Face Presentation Attack Detection with a Multi-Channel Face Detector [7.665392786787577]
我々は,顔検出装置のタスクを再編成し,実際の顔を検出することにより,提示攻撃の脅威を排除した。提案システムは,個別の提示攻撃検出モジュールの必要性を回避した実顔検出システムとして利用することができる。提案手法の有効性を示すため,様々な攻撃を含むマルチチャネルWMCAデータセットのアプローチを評価した。
論文参考訳（メタデータ） (2020-06-30T14:22:46Z)
A Deep Learning-based Radar and Camera Sensor Fusion Architecture for Object Detection [0.0]
本研究の目的は,現在の2次元物体検出ネットワークを,カメラデータとスパースレーダデータをネットワーク層内に投影することによって拡張することである。提案するCameraRadarFusionNet(CRF-Net)は,センサデータの融合が検出結果に最も有用であるレベルを自動的に学習する。 Dropoutにインスパイアされたトレーニング戦略であるBlackInは、特定のセンサータイプに関する学習に焦点を当てている。
論文参考訳（メタデータ） (2020-05-15T09:28:01Z)

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。