論文の概要: Beyond the Visible: A Survey on Cross-spectral Face Recognition

• arxiv url: http://arxiv.org/abs/2201.04435v3
• Date: Thu, 30 May 2024 13:07:43 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-01 00:29:19.897546
• Title: Beyond the Visible: A Survey on Cross-spectral Face Recognition
• Title（参考訳）: 可視性を超えて:クロススペクトル顔認証に関する調査
• Authors: David Anghelone, Cunjian Chen, Arun Ross, Antitza Dantcheva,
• Abstract要約: クロススペクトル顔認識 (CFR) とは、異なるスペクトル帯から生じる顔画像を用いて個人を認識することを指す。 畳み込みニューラルネットワーク(CNN)の最近の進歩は、CFRシステムの性能を大幅に向上させた。
• 参考スコア（独自算出の注目度）: 15.469814029453893
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Cross-spectral face recognition (CFR) refers to recognizing individuals using face images stemming from different spectral bands, such as infrared vs. visible. While CFR is inherently more challenging than classical face recognition due to significant variation in facial appearance caused by the modality gap, it is useful in many scenarios including night-vision biometrics and detecting presentation attacks. Recent advances in convolutional neural networks (CNNs) have resulted in significant improvement in the performance of CFR systems. Given these developments, the contributions of this survey are three-fold. First, we provide an overview of CFR, by formalizing the CFR problem and presenting related applications. Secondly, we discuss the appropriate spectral bands for face recognition and discuss recent CFR methods, placing emphasis on deep neural networks. In particular we describe techniques that have been proposed to extract and compare heterogeneous features emerging from different spectral bands. We also discuss the datasets that have been used for evaluating CFR methods. Finally, we discuss the challenges and future lines of research on this topic.
• Abstract（参考訳）: クロススペクトル顔認識(CFR)とは、赤外線と可視光などの異なるスペクトル帯から生じる顔画像を用いて個人を認識することを指す。 CFRは、モダリティギャップによる顔の外観の顕著な変化により、古典的な顔認識よりも本質的に困難であるが、ナイトビジョンバイオメトリックスやプレゼンテーションアタックの検出など、多くのシナリオで有用である。 畳み込みニューラルネットワーク(CNN)の最近の進歩は、CFRシステムの性能を大幅に向上させた。 これらの進展を踏まえると、この調査の貢献は3倍である。 まず、CFR問題を形式化し、関連するアプリケーションを示すことにより、CFRの概要を示す。 次に、顔認識のためのスペクトル帯域について検討し、深層ニューラルネットワークに重点を置いた最近のCFR法について議論する。 特に、異なるスペクトル帯から生じる異種特徴を抽出し、比較するために提案された手法について述べる。 また、CFR法の評価に使用されたデータセットについても論じる。 最後に、この問題に関する課題と今後の研究方針について論じる。

関連論文リスト

• Beyond Spatial Explanations: Explainable Face Recognition in the Frequency Domain [6.69421628320396]
  我々は、探索されていない周波数領域における説明可能な顔認識について、一歩前進して検討する。 この研究は、周波数領域における検証に基づく決定の説明可能性について初めて提案する。
  論文  参考訳（メタデータ） (2024-07-16T17:29:24Z)
• A Comprehensive Survey of Masked Faces: Recognition, Detection, and Unmasking [0.5898893619901381]
  マスク付き顔認識(MFR)は、特に世界的な新型コロナウイルス(COVID-19)パンデミックによって、生体認証において重要な領域として登場した。 本研究は,マスクを被った人物の認識・検出における課題と進歩を包括的に分析した。
  論文  参考訳（メタデータ） (2024-05-09T16:52:43Z)
• Rethinking the Domain Gap in Near-infrared Face Recognition [65.7871950460781]
  不均一顔認識(HFR)は、視覚領域(VIS)と近赤外領域(NIR)にまたがる複雑な顔画像マッチング作業を伴う。 HFRに関する既存の文献の多くは、ドメインギャップを主要な課題と認識し、それを入力レベルまたは機能レベルでブリッジする取り組みを指示している。 大規模同質なVISデータで事前トレーニングを行った場合、大規模ニューラルネットワークはより小さなニューラルネットワークとは異なり、HFRでは例外的なゼロショット性能を示す。
  論文  参考訳（メタデータ） (2023-12-01T14:43:28Z)
• Survey on Deep Face Restoration: From Non-blind to Blind and Beyond [79.1398990834247]
  顔復元(FR)は、低品質 (LQ) の顔画像を高品質 (HQ) の顔画像に復元することを目的とした、画像復元の専門分野である。 近年のディープラーニング技術の進歩はFR法に大きな進歩をもたらした。
  論文  参考訳（メタデータ） (2023-09-27T08:39:03Z)
• Localization using Multi-Focal Spatial Attention for Masked Face Recognition [22.833899749506394]
  無接触生体認証システムのためのマスク付き顔認識を開発する必要がある。 マスク領域を正確に除去する補足型注意学習と多地点空間注意を提案する。 ICCV 2021-MFR/Insightface トラックでの MFR 性能の評価を行い,MFR と FR の両方のデータセットにおける改善性能を実証した。
  論文  参考訳（メタデータ） (2023-05-03T05:39:12Z)
• 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)
• A Synthesis-Based Approach for Thermal-to-Visible Face Verification [105.63410428506536]
  本稿では,ARL-VTFおよびTUFTSマルチスペクトル顔データセット上での最先端性能を実現するアルゴリズムを提案する。 MILAB-VTF(B)も提案する。
  論文  参考訳（メタデータ） (2021-08-21T17:59:56Z)
• Learning Fair Face Representation With Progressive Cross Transformer [79.73754444296213]
  フェアフェイス認識のためのプログレッシブクロストランス (PCT) 手法を提案する。 我々は,PCTが最先端FR性能を達成しつつ,顔認識におけるバイアスを軽減することができることを示した。
  論文  参考訳（メタデータ） (2021-08-11T01:31:14Z)
• Hierarchical Deep CNN Feature Set-Based Representation Learning for Robust Cross-Resolution Face Recognition [59.29808528182607]
  クロスリゾリューション顔認識(CRFR)は、インテリジェントな監視およびバイオメトリックフォレンジックにおいて重要である。 既存の浅層学習と深層学習に基づく手法は、HR-LR対を共同特徴空間にマッピングすることに焦点を当てている。 本研究では,多レベル深層畳み込みニューラルネットワーク(CNN)の機能を完全に活用し,堅牢なCRFRを実現することを目的とする。
  論文  参考訳（メタデータ） (2021-03-25T14:03:42Z)
• Multi-Metric Evaluation of Thermal-to-Visual Face Recognition [3.0255457622022486]
  我々は、機械学習を用いて、赤外線画像から視覚スペクトル面を合成する異種・横断的な顔認識の課題に対処することを目的とする。 我々は、顔画像合成にGAN(Geneversarative Adrial Networks)を使用する能力について検討し、これらの画像の性能を事前学習した畳み込みニューラルネットワーク(CNN)を用いて検討する。 CNNを用いて抽出した特徴を顔認証と検証に応用する。
  論文  参考訳（メタデータ） (2020-07-22T10:18:34Z)

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。