論文の概要: Robust Neonatal Face Detection in Real-world Clinical Settings
- arxiv url: http://arxiv.org/abs/2204.00655v1
- Date: Fri, 1 Apr 2022 18:50:47 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-05 14:45:41.234241
- Title: Robust Neonatal Face Detection in Real-world Clinical Settings
- Title（参考訳）: 実地臨床におけるロバストな新生児顔検出
- Authors: Jacqueline Hausmann, Md Sirajus Salekin, Ghada Zamzmi, Dmitry Goldgof,
Yu Sun
- Abstract要約: 現在の顔検出アルゴリズムは極めて一般化されており、成人の顔を検出する際に適切な精度を得ることができる。
臨床環境でラベル付き新生児顔を含むプロプライエタリなデータセット上で、最先端の顔検出モデルYou-Only-Look-Onceをトレーニングすることにより、ほぼリアルタイムな新生児顔検出を実現する。
予備的な所見は68.7%の精度を示し、外殻溶液は7.37%の精度で新生児の顔を検出した。
- 参考スコア（独自算出の注目度）: 4.263900348596098
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Current face detection algorithms are extremely generalized and can obtain
decent accuracy when detecting the adult faces. These approaches are
insufficient when handling outlier cases, for example when trying to detect the
face of a neonate infant whose face composition and expressions are relatively
different than that of the adult. It is furthermore difficult when applied to
detect faces in a complicated setting such as the Neonate Intensive Care Unit.
By training a state-of-the-art face detection model, You-Only-Look-Once, on a
proprietary dataset containing labelled neonate faces in a clinical setting,
this work achieves near real time neonate face detection. Our preliminary
findings show an accuracy of 68.7%, compared to the off the shelf solution
which detected neonate faces with an accuracy of 7.37%. Although further
experiments are needed to validate our model, our results are promising and
prove the feasibility of detecting neonatal faces in challenging real-world
settings. The robust and real-time detection of neonatal faces would benefit
wide range of automated systems (e.g., pain recognition and surveillance) who
currently suffer from the time and effort due to the necessity of manual
annotations. To benefit the research community, we make our trained weights
publicly available at github(https://github.com/ja05haus/trained_neonate_face).
- Abstract（参考訳）: 現在の顔検出アルゴリズムは極めて一般化されており、成人の顔を検出する際に適切な精度を得ることができる。
これらのアプローチは、例えば、成人と顔組成や表情が比較的異なる新生児の顔を検出する場合など、異常なケースを扱う場合には不十分である。
さらに、新生児集中治療ユニットなどの複雑な設定で顔を検出することも困難である。
臨床現場にラベル付き新生児顔を含むプロプライエタリデータセット上で,最先端の顔検出モデルyou-only-look-onceをトレーニングすることで,ほぼリアルタイムの新生児顔検出を実現する。
以上の結果より,新生児の顔を7.37%の精度で検出した外殻液に比べて68.7%の精度を示した。
我々のモデルを検証するにはさらなる実験が必要であるが、実世界の環境に挑戦して新生児の顔を検出できることは有望であり、その可能性を証明している。
新生児の顔の堅牢かつリアルタイムな検出は、手動のアノテーションの必要性により現在時間と労力に苦しんでいる広範囲の自動化システム(例えば、痛み認識と監視)に恩恵をもたらす。
研究コミュニティの利益を得るために、トレーニングしたウェイトをgithub(https://github.com/ja05haus/trained_neonate_face)で公開しています。
関連論文リスト
- UniForensics: Face Forgery Detection via General Facial Representation [60.5421627990707]
高レベルの意味的特徴は摂動の影響を受けにくく、フォージェリー固有の人工物に限らないため、より強い一般化がある。
我々は、トランスフォーマーベースのビデオネットワークを活用する新しいディープフェイク検出フレームワークUniForensicsを導入し、顔の豊かな表現のためのメタファンクショナルな顔分類を行う。
論文 参考訳（メタデータ） (2024-07-26T20:51:54Z) - DeepFidelity: Perceptual Forgery Fidelity Assessment for Deepfake
Detection [67.3143177137102]
ディープフェイク検出(Deepfake detection)とは、画像やビデオにおいて、人工的に生成された顔や編集された顔を検出すること。
本稿では,実顔と偽顔とを適応的に識別するDeepFidelityという新しいDeepfake検出フレームワークを提案する。
論文 参考訳（メタデータ） (2023-12-07T07:19:45Z) - An Evaluation of Forensic Facial Recognition [16.17759191184531]
本稿では,大規模な合成顔データセットの構築と,顔の法医学的ラインアップについて述べる。
本稿では,2つのニューラルネットワーク認識システムの精度を評価する。
これまでに報告された顔認識の精度は95%以上低下し、このより困難な法医学的シナリオでは65%にまで低下した。
論文 参考訳（メタデータ） (2023-11-10T16:02:46Z) - Exploring Decision-based Black-box Attacks on Face Forgery Detection [53.181920529225906]
顔の偽造生成技術は鮮明な顔を生み出し、セキュリティとプライバシーに対する世間の懸念を高めている。
顔偽造検出は偽の顔の識別に成功しているが、最近の研究では顔偽造検出は敵の例に対して非常に脆弱であることが示されている。
論文 参考訳（メタデータ） (2023-10-18T14:49:54Z) - Neonatal Face and Facial Landmark Detection from Video Recordings [2.6091909702028584]
新生児の顔と顔のランドマークの自動検出について検討する。
これは、バイタルサイン推定、痛み評価、睡眠覚醒分類、黄斑検出など、多くのビデオベースの新生児健康アプリケーションにおいて重要な第一歩である。
論文 参考訳（メタデータ） (2023-02-08T21:18:18Z) - Towards early prediction of neurodevelopmental disorders: Computational
model for Face Touch and Self-adaptors in Infants [0.0]
乳児の運動を評価することは、発達障害の発症リスクを理解する鍵となる。
心理学における以前の研究は、赤ちゃんの顔の触覚などの特定の動きやジェスチャーを測定することは、赤ちゃんが自分自身とその文脈をどのように理解しているかを分析するのに不可欠であることを示した。
本研究は,乳幼児の動作やジェスチャーを追跡することによって,映像記録から顔の触覚を検出する,最初の自動アプローチを提案する。
論文 参考訳（メタデータ） (2023-01-07T18:08:43Z) - Detect Faces Efficiently: A Survey and Evaluations [13.105528567365281]
顔認識、表情認識、顔追跡、頭部推定を含む多くの応用は、画像中の顔の位置と大きさの両方が知られていると仮定する。
ディープラーニング技術は、かなりの計算量の増加と共に、対面検出に驚くべきブレークスルーをもたらした。
本稿では, 代表的な深層学習手法を紹介し, 精度と効率性の観点から, 深く, 徹底的な分析を行う。
論文 参考訳（メタデータ） (2021-12-03T08:39:40Z) - InfAnFace: Bridging the infant-adult domain gap in facial landmark
estimation in the wild [0.2786153781225931]
InfAnFaceは乳児の顔のリッチなアノテーション付きデータセットである。
我々は、成人の顔に訓練された既存の顔のランドマーク推定アルゴリズムの性能をベンチマークした。
私たちはそのギャップを埋める次のステップを推し進めました。
論文 参考訳（メタデータ） (2021-10-17T22:12:16Z) - FP-Age: Leveraging Face Parsing Attention for Facial Age Estimation in
the Wild [50.8865921538953]
年齢推定に顔のセマンティクスを明示的に組み込む手法を提案する。
我々は,顔解析に基づくネットワークを設計し,異なるスケールで意味情報を学習する。
提案手法は,既存の年齢推定手法を常に上回っていることを示す。
論文 参考訳（メタデータ） (2021-06-21T14:31:32Z) - Representative Forgery Mining for Fake Face Detection [52.896286647898386]
ディテクタの精緻化と注目の拡大を導くための注意ベースのデータ拡張フレームワークを提案します。
提案手法は,トップnのセンシティブな顔領域を追跡し,検出者に対して,以前無視された領域にさらに深く掘り下げて,より代表的な偽造を行うように促す。
論文 参考訳（メタデータ） (2021-04-14T03:24:19Z) - VideoForensicsHQ: Detecting High-quality Manipulated Face Videos [77.60295082172098]
偽造検知器の性能は、人間の目で見られる人工物の存在にどのように依存するかを示す。
前例のない品質の顔ビデオ偽造検出のための新しいベンチマークデータセットを導入する。
論文 参考訳（メタデータ） (2020-05-20T21:17:43Z)
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。