論文の概要: ArcFace Knows the Gender, Too!

• arxiv url: http://arxiv.org/abs/2112.10101v1
• Date: Sun, 19 Dec 2021 10:00:36 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-22 06:48:58.571546
• Title: ArcFace Knows the Gender, Too!
• Title（参考訳）: アークフェイスも性別を知ってる!
• Authors: Majid Farzaneh
• Abstract要約: 本稿では、性別分類の新しいモデルを定義する代わりに、ArcFace機能を使用して性別を決定する。 Support Vector Machine (SVM)、Linear Discriminant、Logistic Regressionといった差別的手法は、ArcFaceから抽出された特徴が、性別クラスを著しく区別することを示している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The main idea of this paper is that if a model can recognize a person, of course, it must be able to know the gender of that person, too. Therefore, instead of defining a new model for gender classification, this paper uses ArcFace features to determine gender, based on the facial features. A face image is given to ArcFace and 512 features are obtained for the face. Then, with the help of traditional machine learning models, gender is determined. Discriminative methods such as Support Vector Machine (SVM), Linear Discriminant, and Logistic Regression well demonstrate that the features extracted from the ArcFace create a remarkable distinction between the gender classes. Experiments on the Gender Classification Dataset show that SVM with Gaussian kernel is able to classify gender with an accuracy of 96.4% using ArcFace features.
• Abstract（参考訳）: この論文の主な考え方は、もしモデルが誰かを認識することができるなら、もちろん、その人の性別も知る必要があるということである。 したがって、性別分類の新しいモデルを定義する代わりに、顔の特徴に基づいて性別を決定するためにArcFace機能を使用する。 アークフェイスには顔画像が与えられ、顔には512の特徴が得られる。 そして、従来の機械学習モデルの助けを借りて、性別を決定する。 Support Vector Machine (SVM)、Linear Discriminant、Logistic Regressionといった差別的手法は、ArcFaceから抽出された特徴が、性別クラスを著しく区別することを示している。 Gender Classification Datasetの実験によると、ガウスカーネルを持つSVMは、ArcFace機能を使用して96.4%の精度で性別を分類できる。

関連論文リスト

• VisoGender: A dataset for benchmarking gender bias in image-text pronoun resolution [80.57383975987676]
  VisoGenderは、視覚言語モデルで性別バイアスをベンチマークするための新しいデータセットである。 We focus to occupation-related biases in a hegemonic system of binary gender, inspired by Winograd and Winogender schemas。 我々は、最先端の視覚言語モデルをいくつかベンチマークし、それらが複雑な場面における二項性解消のバイアスを示すことを発見した。
  論文  参考訳（メタデータ） (2023-06-21T17:59:51Z)
• Auditing Gender Presentation Differences in Text-to-Image Models [54.16959473093973]
  我々は、テキスト・ツー・イメージ・モデルにおいて、ジェンダーがどのように異なる形で提示されるかを研究する。 入力テキスト中の性指標を探索することにより、プレゼンテーション中心属性の周波数差を定量化する。 このような違いを推定する自動手法を提案する。
  論文  参考訳（メタデータ） (2023-02-07T18:52:22Z)
• Are Face Detection Models Biased? [69.68854430664399]
  顔領域の局所化による顔検出領域のバイアスについて検討した。 既存の顔検出データセットの多くは、このような分析に適したアノテーションを欠いている。 性別や肌の音色による検出精度の相違を観察し, 画像診断以外の要因の相互関係を考察した。
  論文  参考訳（メタデータ） (2022-11-07T14:27:55Z)
• The Gender Gap in Face Recognition Accuracy Is a Hairy Problem [8.768049933358968]
  まず、男女の髪型が顔の認識精度に影響を及ぼす重要な違いがあることを実証する。 そして、認識精度を推定するために使用されるデータが、髪型が顔を妨げるかによって性別間でバランスが取れている場合、当初観察された精度の男女差が大きく消失することを示した。
  論文  参考訳（メタデータ） (2022-06-10T04:32:47Z)
• Twitter-Based Gender Recognition Using Transformers [2.539920413471809]
  画像やつぶやきからユーザの性別を予測するためのトランスフォーマーに基づくモデルを提案する。 そこで我々は,2方向変換(ViTBERT)に基づく別のモデルを微調整し,ユーザの性別をつぶやきで認識する。 組み合わせモデルは画像分類モデルとテキスト分類モデルの精度をそれぞれ6.98%と4.43%改善する。
  論文  参考訳（メタデータ） (2022-04-24T19:58:42Z)
• VoxCeleb Enrichment for Age and Gender Recognition [12.520037579004883]
  我々は、VoxCelebデータセットに話者年齢ラベルと(代替)話者性別アノテーションを提供する。 年齢と性別の認識モデルを構築することで,このメタデータの利用を実証する。 また、オリジナルVoxCelebの性別ラベルと当社のラベルを比較して、オリジナルVoxCelebのデータに誤ラベルされている可能性のあるレコードを特定します。
  論文  参考訳（メタデータ） (2021-09-28T06:18:57Z)
• Does Face Recognition Error Echo Gender Classification Error? [9.176056742068813]
  3つの異なる性別分類アルゴリズムと2つの顔認識アルゴリズムから結果を分析する。 本研究では,1つの画像が性別分類誤差を伴っている場合,インポスタの分布が良好であることを示した。 実画像ペアの場合, 画像に正と誤の男女分類が混在している個人は, 真に分布が悪くなることが示唆された。
  論文  参考訳（メタデータ） (2021-04-28T14:43:31Z)
• Mitigating Gender Bias in Captioning Systems [56.25457065032423]
  ほとんどのキャプションモデルは性別バイアスを学習し、特に女性にとって高い性別予測エラーにつながる。 本稿では, 視覚的注意を自己指導し, 正しい性的な視覚的証拠を捉えるためのガイド付き注意画像キャプチャーモデル(GAIC)を提案する。
  論文  参考訳（メタデータ） (2020-06-15T12:16:19Z)
• Towards Gender-Neutral Face Descriptors for Mitigating Bias in Face Recognition [51.856693288834975]
  最先端のディープネットワークは、顔認識のために訓練されている間、性別情報を暗黙的にエンコードする。 ジェンダーは顔を識別する上で重要な属性と見なされることが多い。 本稿では,顔ディスクリプタに存在する性別情報を減らすために,新たにAGENDA(Adversarial Gender De-biasing Algorithm)を提案する。
  論文  参考訳（メタデータ） (2020-06-14T08:54:03Z)
• Multi-Dimensional Gender Bias Classification [67.65551687580552]
  機械学習モデルは、性別に偏ったテキストでトレーニングする際に、社会的に望ましくないパターンを不注意に学習することができる。 本稿では,テキスト中の性バイアスを複数の実用的・意味的な次元に沿って分解する一般的な枠組みを提案する。 このきめ細かいフレームワークを用いて、8つの大規模データセットにジェンダー情報を自動的にアノテートする。
  論文  参考訳（メタデータ） (2020-05-01T21:23:20Z)

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。