論文の概要: A Unified Framework for Masked and Mask-Free Face Recognition via Feature Rectification

• arxiv url: http://arxiv.org/abs/2202.07358v1
• Date: Tue, 15 Feb 2022 12:37:59 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-16 14:20:22.046430
• Title: A Unified Framework for Masked and Mask-Free Face Recognition via Feature Rectification
• Title（参考訳）: 特徴認識によるマスク・フリー顔認識のための統一フレームワーク
• Authors: Shaozhe Hao, Chaofeng Chen, Zhenfang Chen, Kwan-Yee K. Wong
• Abstract要約: マスク付き顔とマスクなし顔の両方を識別するための統合フレームワークである顔特徴整形ネットワーク(FFR-Net)を提案する。 本研究では,最先端認識モデルにより抽出された特徴を,空間次元とチャネル次元の両方で整列するための整列ブロックを導入する。 実験により,我々のフレームワークは,マスク付き顔とマスクなし顔の両方を効果的に認識するための修正された特徴空間を学習できることが示されている。
• 参考スコア（独自算出の注目度）: 19.417191498842044
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Face recognition under ideal conditions is now considered a well-solved problem with advances in deep learning. Recognizing faces under occlusion, however, still remains a challenge. Existing techniques often fail to recognize faces with both the mouth and nose covered by a mask, which is now very common under the COVID-19 pandemic. Common approaches to tackle this problem include 1) discarding information from the masked regions during recognition and 2) restoring the masked regions before recognition. Very few works considered the consistency between features extracted from masked faces and from their mask-free counterparts. This resulted in models trained for recognizing masked faces often showing degraded performance on mask-free faces. In this paper, we propose a unified framework, named Face Feature Rectification Network (FFR-Net), for recognizing both masked and mask-free faces alike. We introduce rectification blocks to rectify features extracted by a state-of-the-art recognition model, in both spatial and channel dimensions, to minimize the distance between a masked face and its mask-free counterpart in the rectified feature space. Experiments show that our unified framework can learn a rectified feature space for recognizing both masked and mask-free faces effectively, achieving state-of-the-art results. Project code: https://github.com/haoosz/FFR-Net
• Abstract（参考訳）: 理想的な条件下での顔認識は、ディープラーニングの進歩と共に解決された問題と考えられている。 しかし、隠蔽された顔を認識することは依然として課題である。 既存の技術では、口と鼻の両方をマスクで覆った顔を認識することができないことが多い。 この問題に取り組む一般的なアプローチには 1)認識・認識中のマスキング領域から情報を捨てること 2) 認識前にマスク領域を復元すること。 マスクのない顔とマスクのない顔から抽出された特徴の一貫性を検討した作品はほとんどない。 この結果、マスクなしの顔でしばしば劣化したパフォーマンスを示すマスク付き顔を認識する訓練を受けたモデルが生まれた。 本稿では,マスクフリー顔とマスクフリー顔の両方を認識するための統合フレームワークであるface feature rectification network(ffr-net)を提案する。 本稿では,最先端認識モデルによって抽出された特徴を空間的およびチャネル的次元で整流化ブロックを導入し,整流化特徴空間におけるマスク面とマスクフリー面との間の距離を最小化する。 実験の結果,統一フレームワークはマスクフリー顔とマスクフリー顔の両方を効果的に認識し,最先端の結果を得るための修正された特徴空間を学習できることがわかった。 プロジェクトコード:https://github.com/haoosz/FFR-Net

関連論文リスト

• Face Mask Removal with Region-attentive Face Inpainting [0.7433327915285965]
  本研究では,顔のマスク部分の復元・再構成を行う生成顔インペイント法を提案する。 提案手法は,空間情報損失を軽減するため,M-CSAM (M-scale Channel-Spatial Attention Module) を含む。 我々は、CelebAデータセットから5種類のマスクを組み込むことで、独自のMasked-Facesデータセットを合成する。
  論文  参考訳（メタデータ） (2024-09-10T20:10:11Z)
• Seeing through the Mask: Multi-task Generative Mask Decoupling Face Recognition [47.248075664420874]
  現在の一般的な顔認識システムは、隠蔽シーンに遭遇する際の重大な性能劣化に悩まされている。 本稿では,これら2つのタスクを協調的に扱うために,マルチタスクのgEnerative mask dEcoupling Face Recognition (MEER) ネットワークを提案する。 まず,マスクと識別情報を分離する新しいマスクデカップリングモジュールを提案する。
  論文  参考訳（メタデータ） (2023-11-20T03:23:03Z)
• Mask-invariant Face Recognition through Template-level Knowledge Distillation [3.727773051465455]
  マスクは従来の顔認識システムの性能に影響を与える。 マスク不変顔認識ソリューション(MaskInv)を提案する。 蒸留された知識に加えて、学生ネットワークは、マージンベースのアイデンティティ分類損失による追加ガイダンスの恩恵を受ける。
  論文  参考訳（メタデータ） (2021-12-10T16:19:28Z)
• FocusFace: Multi-task Contrastive Learning for Masked Face Recognition [4.420321822469077]
  SARS-CoV-2は科学界に直接的かつ間接的な課題を提示した。 顔認識手法は、マスクやマスクされていない個人に類似した精度で身元確認を行うのに苦労する。 本研究では,マルチタスクアーキテクチャであるFocusFaceを提案する。
  論文  参考訳（メタデータ） (2021-10-28T08:17:12Z)
• MLFW: A Database for Face Recognition on Masked Faces [56.441078419992046]
  Masked LFW (MLFW) は、マスクのない顔からマスクされた顔を自動的に生成するツールである。 SOTAモデルの認識精度は、元の画像の精度と比較して、MLFWデータベース上で5%-16%低下する。
  論文  参考訳（メタデータ） (2021-09-13T09:30:10Z)
• End2End Occluded Face Recognition by Masking Corrupted Features [82.27588990277192]
  最先端の一般的な顔認識モデルは、隠蔽された顔画像に対してうまく一般化しない。 本稿では,1つのエンドツーエンドのディープニューラルネットワークに基づいて,オクルージョンに頑健な新しい顔認識手法を提案する。 我々のアプローチは、深い畳み込みニューラルネットワークから破損した特徴を発見し、動的に学習されたマスクによってそれらをきれいにする。
  論文  参考訳（メタデータ） (2021-08-21T09:08:41Z)
• FT-TDR: Frequency-guided Transformer and Top-Down Refinement Network for Blind Face Inpainting [77.78305705925376]
  ブラインド・フェイス・インペインティング(ブラインド・フェイス・インペインティング)とは、顔画像の劣化した領域を明確に示さずに、視覚コンテンツを再構築する作業である。 本稿では、これらの課題に対処するために、周波数誘導変換器とTop-Down Refinement Network(FT-TDR)と呼ばれる新しい2段階ブラインドフェイス塗装法を提案する。
  論文  参考訳（メタデータ） (2021-08-10T03:12:01Z)
• Image Inpainting by End-to-End Cascaded Refinement with Mask Awareness [66.55719330810547]
  任意の欠落領域を塗りつぶすことは、様々なマスクされた領域で有効な特徴を学ぶことは非自明だから難しい。 符号化フェーズにおける欠落領域のマルチスケール特徴を学習する新しいマスク対応インペイントソリューションを提案する。 私たちのフレームワークは、3つの公開データセットに関する広範な実験を通じて定量的および定性的に検証されます。
  論文  参考訳（メタデータ） (2021-04-28T13:17:47Z)
• Towards NIR-VIS Masked Face Recognition [47.00916333095693]
  近赤外可視(NIR-VIS)顔認識は異種顔認識において最も一般的な症例である。 2つのドメインの顔表現で共有される相互情報を最大化するための新しいトレーニング手法を提案する。 さらに、既存のNIR画像からマスク面を合成するために、3次元顔再構成に基づくアプローチを用いる。
  論文  参考訳（メタデータ） (2021-04-14T10:40:09Z)
• Unmasking Face Embeddings by Self-restrained Triplet Loss for Accurate Masked Face Recognition [6.865656740940772]
  マスク付き顔認識性能を改善するためのソリューションを提案する。 具体的には,既存の顔認識モデル上で動作させるEmbedding Unmasking Model (EUM)を提案する。 また、EUMが同一アイデンティティのマスクされていない顔のこれらに類似した埋め込みを作成することを可能にする新しい損失関数、自己拘束トリプルト(SRT)を提案します。
  論文  参考訳（メタデータ） (2021-03-02T13:43:11Z)

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。