論文の概要: Joint Feature Distribution Alignment Learning for NIR-VIS and VIS-VIS Face Recognition

• arxiv url: http://arxiv.org/abs/2204.11434v1
• Date: Mon, 25 Apr 2022 04:47:35 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-26 12:56:44.270937
• Title: Joint Feature Distribution Alignment Learning for NIR-VIS and VIS-VIS Face Recognition
• Title（参考訳）: NIR-VISとVIS-VISの顔認識のための共同特徴分布アライメント学習
• Authors: Takaya Miyamoto, Hiroshi Hashimoto, Akihiro Hayasaka, Akinori F. Ebihara, Hitoshi Imaoka
• Abstract要約: ヘテロジニアス顔認識(HFR)は、ドメインの相違と大規模なHFRデータセットの欠如のため、依然として難しい課題である。 本稿では,知識蒸留を利用した共同学習手法であるJFDALを提案する。 提案手法は,Oulu-CASIA NIR&VISデータセット上でのHFR性能と同等であり,VIS性能の劣化は少ない。
• 参考スコア（独自算出の注目度）: 5.249805590164902
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Face recognition for visible light (VIS) images achieve high accuracy thanks to the recent development of deep learning. However, heterogeneous face recognition (HFR), which is a face matching in different domains, is still a difficult task due to the domain discrepancy and lack of large HFR dataset. Several methods have attempted to reduce the domain discrepancy by means of fine-tuning, which causes significant degradation of the performance in the VIS domain because it loses the highly discriminative VIS representation. To overcome this problem, we propose joint feature distribution alignment learning (JFDAL) which is a joint learning approach utilizing knowledge distillation. It enables us to achieve high HFR performance with retaining the original performance for the VIS domain. Extensive experiments demonstrate that our proposed method delivers statistically significantly better performances compared with the conventional fine-tuning approach on a public HFR dataset Oulu-CASIA NIR&VIS and popular verification datasets in VIS domain such as FLW, CFP, AgeDB. Furthermore, comparative experiments with existing state-of-the-art HFR methods show that our method achieves a comparable HFR performance on the Oulu-CASIA NIR&VIS dataset with less degradation of VIS performance.
• Abstract（参考訳）: 視覚光(VIS)画像に対する顔認識は,近年の深層学習の発展により精度が高い。 しかし、異なる領域の顔マッチングであるヘテロジニアス顔認識(HFR)は、ドメインの相違と大規模なHFRデータセットの欠如のため、依然として難しい課題である。 いくつかの手法は、微調整によりドメインの差を減らそうとしているが、これは、非常に識別性の高いVIS表現を失うため、VISドメインの性能が著しく低下する。 そこで,本稿では,知識蒸留を利用した共同学習手法であるjfdal(joint feature distribution alignment learning)を提案する。 これにより、VISドメインのオリジナル性能を維持しながら高いHFR性能を実現することができる。 提案手法は,一般のHFRデータセットであるOulu-CASIA NIR&VISや,FLW,CFP, AgeDBなどのVISドメインで一般的な検証データセットと比較して,統計的に有意に優れた性能を示すことを示す。 さらに,既存のHFR法との比較実験により,本手法がOulu-CASIA NIR&VISデータセット上で同等のHFR性能を達成し,VIS性能の劣化を低減したことを示す。

関連論文リスト

• Towards Data-Centric Face Anti-Spoofing: Improving Cross-domain Generalization via Physics-based Data Synthesis [64.46312434121455]
  Face Anti-Spoofing (FAS) 研究は、トレーニングデータとテストデータの間にドメインギャップがあるクロスドメイン問題によって難題となっている。 本研究では,タスク固有のFASデータ拡張(FAS-Aug)を提案する。 また,特定の種類のアーティファクトをモデルが依存しないようにし,一般化性能を向上させるために,SARE(Spowing Attack Risk Equalization)を提案する。
  論文  参考訳（メタデータ） (2024-09-04T01:45:18Z)
• Heterogeneous Face Recognition Using Domain Invariant Units [4.910937238451485]
  教師ネットワークとして事前訓練された顔認識モデルを用いてドメイン不変ネットワーク層(DIU)を学習する。 提案したDIUは、対照的な蒸留フレームワークを用いて、限られた量のペアトレーニングデータでも効果的に訓練することができる。 提案手法は、事前訓練されたモデルを強化する可能性があり、より広い範囲のデータに適応できる。
  論文  参考訳（メタデータ） (2024-04-22T16:58:37Z)
• CATFace: Cross-Attribute-Guided Transformer with Self-Attention Distillation for Low-Quality Face Recognition [12.129404936688752]
  顔認識(FR)の性能を高めるために,ソフトバイオメトリックス(SB)属性情報を利用する新しいマルチブランチニューラルネットワークを提案する。 特徴空間において,高品質な画像と高品質な画像とを整列させることにより,ランドマークなどの重要な顔領域を効果的に強調する,新しい自己注意蒸留フレームワークを導入する。
  論文  参考訳（メタデータ） (2024-01-05T19:21:31Z)
• 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)
• Physically-Based Face Rendering for NIR-VIS Face Recognition [165.54414962403555]
  近赤外(NIR)と可視(VIS)の顔マッチングは、大きなドメインギャップのために困難である。 NIR-VIS対顔画像生成のための新しい手法を提案する。 アイデンティティ特徴学習を容易にするために,IDentityに基づく最大平均離散性(ID-MMD)損失を提案する。
  論文  参考訳（メタデータ） (2022-11-11T18:48:16Z)
• Cluster-level pseudo-labelling for source-free cross-domain facial expression recognition [94.56304526014875]
  表情認識のためのSFUDA法を提案する。 本手法は,自己教師付き事前学習を利用して,対象データから優れた特徴表現を学習する。 提案手法の有効性を4つの適応方式で検証し,FERに適用した場合,既存のSFUDA法より一貫して優れていることを示す。
  論文  参考訳（メタデータ） (2022-10-11T08:24:50Z)
• 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)
• On Exploring Pose Estimation as an Auxiliary Learning Task for Visible-Infrared Person Re-identification [66.58450185833479]
  本稿では,Pose Estimationを補助学習タスクとして活用して,エンドツーエンドフレームワークにおけるVI-ReIDタスクを支援する。 これら2つのタスクを相互に有利な方法で共同でトレーニングすることにより、高品質なモダリティ共有とID関連の特徴を学習する。 2つのベンチマークVI-ReIDデータセットの実験結果から,提案手法は一定のマージンで最先端の手法を継続的に改善することが示された。
  論文  参考訳（メタデータ） (2022-01-11T09:44:00Z)

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。