論文の概要: Face recognition via compact second order image gradient orientations

• arxiv url: http://arxiv.org/abs/2201.09246v1
• Date: Sun, 23 Jan 2022 12:22:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2022-01-26 10:51:10.366446
• Title: Face recognition via compact second order image gradient orientations
• Title（参考訳）: コンパクトな2次画像勾配配向による顔認識
• Authors: He-Feng Yin, Xiao-Jun Wu, Xiaoning Song
• Abstract要約: 2階画像勾配方向(SOIGO)は、顔画像における雑音の悪影響を軽減することができる。 線形複素主成分分析(PCA)をSOIGOに応用して,コンパクトなSOIGOを提案する。 提案手法は、少数のトレーニングサンプルを持つ競合するアプローチよりも優れており、より一般的なディープニューラルネットワークベースのアプローチよりも優れています。
• 参考スコア（独自算出の注目度）: 14.476213729547492
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Conventional subspace learning approaches based on image gradient orientations only employ the first-order gradient information. However, recent researches on human vision system (HVS) uncover that the neural image is a landscape or a surface whose geometric properties can be captured through the second order gradient information. The second order image gradient orientations (SOIGO) can mitigate the adverse effect of noises in face images. To reduce the redundancy of SOIGO, we propose compact SOIGO (CSOIGO) by applying linear complex principal component analysis (PCA) in SOIGO. Combined with collaborative representation based classification (CRC) algorithm, the classification performance of CSOIGO is further enhanced. CSOIGO is evaluated under real-world disguise, synthesized occlusion and mixed variations. Experimental results indicate that the proposed method is superior to its competing approaches with few training samples, and even outperforms some prevailing deep neural network based approaches. The source code of CSOIGO is available at https://github.com/yinhefeng/SOIGO.
• Abstract（参考訳）: 画像勾配配向に基づく従来の部分空間学習手法は、一階勾配情報のみを用いる。 しかし、人間の視覚システム(HVS)に関する最近の研究により、ニューラルイメージが2階勾配情報によって幾何学的性質を捉えることのできる風景や表面であることが明らかになった。 2階画像勾配方向(SOIGO)は、顔画像における雑音の悪影響を軽減することができる。 そこで我々は,SOIGOにおける線形複素主成分分析(PCA)を適用して,コンパクトなSOIGO(CSOIGO)を提案する。 協調表現に基づく分類(CRC)アルゴリズムと組み合わせて, CSOIGOの分類性能をさらに向上する。 CSOIGOは、現実世界の変装、合成オクルージョンおよび混合変異の下で評価される。 実験結果から,提案手法は学習サンプルの少ない競合手法よりも優れており,ニューラルネットワークに基づくアプローチよりも優れていることが示唆された。 CSOIGOのソースコードはhttps://github.com/yinhefeng/SOIGOで公開されている。

関連論文リスト

• GAN-based Image Compression with Improved RDO Process [20.00340507091567]
  速度歪みの最適化を改良した新しいGANベースの画像圧縮手法を提案する。 これを実現するために、DisTSとMS-SSIMのメトリクスを用いて、色、テクスチャ、構造における知覚的変性を測定する。 提案手法は,既存のGAN法および最先端ハイブリッド(VVC)よりも優れている。
  論文  参考訳（メタデータ） (2023-06-18T03:21:11Z)
• Joint Learning of Deep Texture and High-Frequency Features for Computer-Generated Image Detection [24.098604827919203]
  本稿では,CG画像検出のための深いテクスチャと高周波特徴を有する共同学習戦略を提案する。 セマンティックセグメンテーションマップを生成して、アフィン変換操作を誘導する。 原画像と原画像の高周波成分の組み合わせを、注意機構を備えたマルチブランチニューラルネットワークに供給する。
  論文  参考訳（メタデータ） (2022-09-07T17:30:40Z)
• Nonconvex ${{L_ {{1/2}}}} $-Regularized Nonlocal Self-similarity Denoiser for Compressive Sensing based CT Reconstruction [0.0]
  最近、NonL1/2 $-normは回復において有望な性能を達成したが、その非類似性のため、アプリケーションは不満足である。 本稿では,最小化$_$のCT再構成問題について述べる。 典型的な画像に対する大規模な結果から,より優れた性能を実現するためのアプローチが実証された。
  論文  参考訳（メタデータ） (2022-05-15T05:24:48Z)
• Gradient Correction beyond Gradient Descent [63.33439072360198]
  勾配補正は明らかに、ニューラルネットワークのトレーニングにおいて、最も重要な側面である。 勾配補正を行うためのフレームワーク(textbfGCGD)を導入する。 実験結果から, 勾配補正フレームワークは, トレーニングエポックスを$sim$20%削減し, ネットワーク性能を向上させることができることがわかった。
  論文  参考訳（メタデータ） (2022-03-16T01:42:25Z)
• TSG: Target-Selective Gradient Backprop for Probing CNN Visual Saliency [72.9106103283475]
  我々は、畳み込みニューラルネットワークを解釈するために視覚的サリエンシ、すなわち視覚的説明について研究する。 これらの観測に触発されて、我々はTSG(Target-Selective Gradient)バックプロップと呼ばれる新しいビジュアル・サリエンシ・フレームワークを提案する。 提案したTSGはTSG-ConvとTSG-FCの2つのコンポーネントから構成され、それぞれ畳み込み層と完全連結層の勾配を補正する。
  論文  参考訳（メタデータ） (2021-10-11T12:00:20Z)
• Deep Gaussian Scale Mixture Prior for Spectral Compressive Imaging [48.34565372026196]
  本稿では,ポストリア(MAP)推定フレームワークに基づく新しいHSI再構成手法を提案する。 また,深層畳み込みニューラルネットワーク(DCNN)によるGSMモデルの局所平均の推定も提案する。
  論文  参考訳（メタデータ） (2021-03-12T08:57:06Z)
• Multi-Margin based Decorrelation Learning for Heterogeneous Face Recognition [90.26023388850771]
  本稿では,超球面空間におけるデコリレーション表現を抽出するディープニューラルネットワーク手法を提案する。 提案するフレームワークは,不均一表現ネットワークとデコリレーション表現学習の2つのコンポーネントに分けることができる。 2つの難解な異種顔データベースに対する実験結果から,本手法は検証タスクと認識タスクの両方において優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2020-05-25T07:01:12Z)
• Gradient-Induced Co-Saliency Detection [81.54194063218216]
  Co-SOD(Co-saliency Detection)は、一般的な唾液前景を関連画像のグループに分割することを目的としている。 本稿では,人間の行動にインスパイアされた,勾配誘導型共分散検出法を提案する。
  論文  参考訳（メタデータ） (2020-04-28T08:40:55Z)
• Understanding Integrated Gradients with SmoothTaylor for Deep Neural Network Attribution [70.78655569298923]
  ディープニューラルネットワークモデルの属性方法としての統合グラディエントは、シンプルな実装性を提供する。 理解しやすさに影響を及ぼす説明のうるささに悩まされる。 SmoothGrad法は,ノイズ問題を解消し,勾配に基づく帰属法の帰属写像を円滑化するために提案される。
  論文  参考訳（メタデータ） (2020-04-22T10:43:19Z)
• High-Order Information Matters: Learning Relation and Topology for Occluded Person Re-Identification [84.43394420267794]
  本稿では,高次関係とトポロジ情報を識別的特徴とロバストなアライメントのために学習し,新しい枠組みを提案する。 我々のフレームワークはOccluded-Dukeデータセットで最先端の6.5%mAPスコアを大幅に上回っている。
  論文  参考訳（メタデータ） (2020-03-18T12:18:35Z)

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。