論文の概要: FedFR: Joint Optimization Federated Framework for Generic and Personalized Face Recognition

• arxiv url: http://arxiv.org/abs/2112.12496v1
• Date: Thu, 23 Dec 2021 12:42:38 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-24 14:06:20.519042
• Title: FedFR: Joint Optimization Federated Framework for Generic and Personalized Face Recognition
• Title（参考訳）: FedFR: ジェネリックとパーソナライズされた顔認識のための統合最適化フェデレーションフレームワーク
• Authors: Chih-Ting Liu, Chien-Yi Wang, Shao-Yi Chien, Shang-Hong Lai
• Abstract要約: 現在の最先端のディープラーニングベース顔認識(FR)モデルでは、中心的なトレーニングのために多数の顔の識別が必要である。 プライバシー意識の高まりにより、ユーザデバイスの顔画像へのアクセスが禁止され、顔認識モデルが継続的に改善される。 我々は、プライバシに配慮した汎用顔表現を改善するために、FedFRと呼ばれるFLベースのフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 40.18257149322018
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Current state-of-the-art deep learning based face recognition (FR) models require a large number of face identities for central training. However, due to the growing privacy awareness, it is prohibited to access the face images on user devices to continually improve face recognition models. Federated Learning (FL) is a technique to address the privacy issue, which can collaboratively optimize the model without sharing the data between clients. In this work, we propose a FL based framework called FedFR to improve the generic face representation in a privacy-aware manner. Besides, the framework jointly optimizes personalized models for the corresponding clients via the proposed Decoupled Feature Customization module. The client-specific personalized model can serve the need of optimized face recognition experience for registered identities at the local device. To the best of our knowledge, we are the first to explore the personalized face recognition in FL setup. The proposed framework is validated to be superior to previous approaches on several generic and personalized face recognition benchmarks with diverse FL scenarios. The source codes and our proposed personalized FR benchmark under FL setup are available at https://github.com/jackie840129/FedFR.
• Abstract（参考訳）: 現在の最先端のディープラーニングベースの顔認識(fr)モデルは、中央トレーニングのために多数の顔認証を必要とする。 しかし、プライバシー意識の高まりにより、ユーザデバイスの顔画像へのアクセスが禁止され、顔認識モデルが継続的に改善される。 フェデレートラーニング(FL)は、クライアント間でデータを共有せずにモデルを協調的に最適化する、プライバシー問題に対処するテクニックである。 本研究では,プライバシーを意識した汎用的な顔表現を改善するために,fefrと呼ばれるflベースのフレームワークを提案する。 さらにフレームワークは、提案されたDecoupled Feature Customizationモジュールを通じて、対応するクライアントのパーソナライズされたモデルを共同で最適化する。 クライアント固有のパーソナライズされたモデルは、ローカルデバイスで登録されたIDに対して最適化された顔認識エクスペリエンスを必要とする。 私たちの知る限り、私たちはfl設定でパーソナライズされた顔認識を初めて調査しました。 提案フレームワークは,様々なFLシナリオを持つ汎用的およびパーソナライズされた顔認識ベンチマークにおいて,従来のアプローチよりも優れていることが検証された。 FL設定下でのソースコードとパーソナライズされたFRベンチマークはhttps://github.com/jackie840129/FedFRで公開されている。

関連論文リスト

• AdaFedFR: Federated Face Recognition with Adaptive Inter-Class Representation Learning [14.139432393751298]
  本稿では,AdaFedFRというシンプルなフェデレーション顔認識フレームワークを提案する。 本研究では,公共アイデンティティの特徴表現を学習可能な負の知識として微妙に活用し,局所的な目的を最適化する。 実験により,本手法は,3ラウンド未満の通信ラウンドにおいて,複数の顔認識ベンチマークにおいて,従来の手法よりも優れた性能を示した。
  論文  参考訳（メタデータ） (2024-05-22T09:19:25Z)
• Efficient Model Personalization in Federated Learning via Client-Specific Prompt Generation [38.42808389088285]
  フェデレーション学習(FL)は、データを共有せずに複数の分散クライアントからモデルをトレーニングし、プライバシを保存する分散学習フレームワークとして登場した。 クライアント固有のPrompt Generation(pFedPG)のパーソナライズされたFLフレームワークを提案する。 pFedPGはサーバにパーソナライズされたプロンプトジェネレータを配置してクライアント固有のビジュアルプロンプトを生成し、凍結したバックボーンをローカルデータ分散に効率的に適応させる。
  論文  参考訳（メタデータ） (2023-08-29T15:03:05Z)
• Personalizing or Not: Dynamically Personalized Federated Learning with Incentives [37.42347737911428]
  個人データを共有せずにパーソナライズされたモデルを学習するためのパーソナライズド・フェデレーション・ラーニング(FL)を提案する。 パーソナライズレートは、パーソナライズされたモデルのトレーニングを希望する顧客の割合として測定され、フェデレーションされた設定に導入され、DyPFLを提案する。 この技術は、クライアントがローカルモデルをパーソナライズすることへのインセンティブを与えると同時に、より優れたパフォーマンスでグローバルモデルを採用できるようにする。
  論文  参考訳（メタデータ） (2022-08-12T09:51:20Z)
• OPOM: Customized Invisible Cloak towards Face Privacy Protection [58.07786010689529]
  我々は、新しいタイプのカスタマイズクロークに基づく技術の観点から、顔のプライバシ保護について検討する。 本研究では,個人固有の(クラスワイドな)ユニバーサルマスクを生成するために,1人1マスク(OPOM)という新しい手法を提案する。 提案手法の有効性を,共通データセットと有名データセットの両方で評価した。
  論文  参考訳（メタデータ） (2022-05-24T11:29:37Z)
• Federated Learning for Face Recognition with Gradient Correction [52.896286647898386]
  本稿では,顔認識のためのフェデレーション学習に取り組むためのフレームワークであるFedGCを紹介する。 我々は,FedGCが標準ソフトマックスと同様の損失関数を構成することを示す。
  論文  参考訳（メタデータ） (2021-12-14T09:19:29Z)
• Differentially private federated deep learning for multi-site medical image segmentation [56.30543374146002]
  フェデレートラーニング(FL)のような協調機械学習技術は、データ転送なしで効果的に大規模なデータセット上でモデルのトレーニングを可能にする。 近年のイニシアチブでは、FLで訓練されたセグメンテーションモデルが、局所的に訓練されたモデルと同様のパフォーマンスを達成できることが示されている。 しかし、FLは完全なプライバシ保護技術ではなく、プライバシ中心の攻撃は秘密の患者データを開示することができる。
  論文  参考訳（メタデータ） (2021-07-06T12:57:32Z)
• FedFace: Collaborative Learning of Face Recognition Model [66.84737075622421]
  FedFaceは顔認識モデルの協調学習のためのフレームワークである。 各クライアントに格納された顔画像が、他のクライアントや中央ホストと共有されない、正確で汎用的な顔認識モデルを学ぶ。 コードとトレーニング済みモデルは公開される予定です。
  論文  参考訳（メタデータ） (2021-04-07T09:25:32Z)
• PFA: Privacy-preserving Federated Adaptation for Effective Model Personalization [6.66389628571674]
  フェデレートラーニング(FL)は、プライバシを改善した分散機械学習パラダイムとして普及している。 本稿では,より優れたパーソナライズ結果を得るために,訓練されたモデルをフェデレーション方式で適応させることを目的とした,フェデレーション適応と呼ばれる新しい概念を提案する。 PFA(Privacy-preserving Federated Adaptation)を実現するフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-03-02T08:07:34Z)
• DotFAN: A Domain-transferred Face Augmentation Network for Pose and Illumination Invariant Face Recognition [94.96686189033869]
  本稿では,3次元モデルを用いたドメイン転送型顔強調ネットワーク(DotFAN)を提案する。 DotFANは、他のドメインから収集された既存のリッチフェイスデータセットから抽出された知識に基づいて、入力顔の一連の変種を生成することができる。 実験によると、DotFANは、クラス内の多様性を改善するために、小さな顔データセットを増やすのに有益である。
  論文  参考訳（メタデータ） (2020-02-23T08:16:34Z)

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。