論文の概要: Delving into High-Quality Synthetic Face Occlusion Segmentation Datasets

• arxiv url: http://arxiv.org/abs/2205.06218v1
• Date: Thu, 12 May 2022 17:03:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2022-05-13 13:09:15.609945
• Title: Delving into High-Quality Synthetic Face Occlusion Segmentation Datasets
• Title（参考訳）: 高品質合成顔咬合セグメンテーションデータセットへの展開
• Authors: Kenny T. R. Voo, Liming Jiang, Chen Change Loy
• Abstract要約: そこで本研究では,高品質な自然主義的合成隠蔽顔を製造するための2つの手法を提案する。 両手法の有効性とロバスト性を実証的に示す。 我々は,RealOccとRealOcc-Wildという,微細なアノテーションを付加した高精細な実世界の顔データセットを2つ提示する。
• 参考スコア（独自算出の注目度）: 83.749895930242
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper performs comprehensive analysis on datasets for occlusion-aware face segmentation, a task that is crucial for many downstream applications. The collection and annotation of such datasets are time-consuming and labor-intensive. Although some efforts have been made in synthetic data generation, the naturalistic aspect of data remains less explored. In our study, we propose two occlusion generation techniques, Naturalistic Occlusion Generation (NatOcc), for producing high-quality naturalistic synthetic occluded faces; and Random Occlusion Generation (RandOcc), a more general synthetic occluded data generation method. We empirically show the effectiveness and robustness of both methods, even for unseen occlusions. To facilitate model evaluation, we present two high-resolution real-world occluded face datasets with fine-grained annotations, RealOcc and RealOcc-Wild, featuring both careful alignment preprocessing and an in-the-wild setting for robustness test. We further conduct a comprehensive analysis on a newly introduced segmentation benchmark, offering insights for future exploration.
• Abstract（参考訳）: 本稿では,多くの下流アプリケーションにとって重要な課題である咬合対応顔セグメンテーションのためのデータセットの包括的解析を行う。 このようなデータセットの収集とアノテーションは時間がかかり、労力がかかる。 合成データ生成にはいくつかの取り組みがあるが、データの自然主義的な側面はいまだ研究されていない。 本研究では,高品質な自然主義的合成閉塞顔を生成するための自然主義的閉塞生成技術であるNatOccと,より一般的な合成閉塞データ生成手法であるランダム閉塞生成法(RandOcc)を提案する。 両方法の有効性とロバスト性について実験的に検討した。 モデル評価を容易にするために,RealOccとRealOcc-Wildの2つの高精細なアノテーションを用いた高精細な実世界の隠蔽顔データセットを提案する。 我々はさらに,新たに導入されたセグメント化ベンチマークの包括的な分析を行い,今後の調査への洞察を提供する。

関連論文リスト

• Second FRCSyn-onGoing: Winning Solutions and Post-Challenge Analysis to Improve Face Recognition with Synthetic Data [104.30479583607918]
  第2回FRCSyn-onGoingチャレンジは、CVPR 2024で開始された第2回顔認識チャレンジ(FRCSyn)に基づいている。 我々は、顔認識における現在の課題を解決するために、個々のデータと実際のデータの組み合わせの両方で合成データの利用を検討することに重点を置いている。
  論文  参考訳（メタデータ） (2024-12-02T11:12:01Z)
• SynFER: Towards Boosting Facial Expression Recognition with Synthetic Data [44.304022773272415]
  ハイレベルなテキスト記述に基づく表情画像データの合成のための新しいフレームワークであるSynFERを紹介する。 本稿では,表情ラベルの修正を支援するために,生成プロセスと擬似ラベル生成手法を提案する。 提案手法は,AffectNetトレーニングセットサイズに相当する合成データのみを用いてトレーニングを行う場合,AffectNetの67.23%の分類精度を実現する。
  論文  参考訳（メタデータ） (2024-10-13T14:58:21Z)
• Synthetic Face Datasets Generation via Latent Space Exploration from Brownian Identity Diffusion [20.352548473293993]
  顔認識(FR)モデルは、プライバシと倫理的懸念のある大規模データセットでトレーニングされている。 近年,FRモデルのトレーニングのために,合成データを用いて真のデータを補完あるいは置き換えることが提案されている。 ブラウン力を受ける軟質粒子の物理運動にインスパイアされた新しい手法を導入し, 様々な制約の下で潜在空間の正体をサンプリングする。 これを使って、いくつかの顔データセットを生成し、FRモデルをトレーニングすることでそれらをベンチマークし、我々のメソッドで生成されたデータは、以前のGANベースのデータセットのパフォーマンスを超え、現状と競合するパフォーマンスを達成することを示す。
  論文  参考訳（メタデータ） (2024-04-30T22:32:02Z)
• View-Dependent Octree-based Mesh Extraction in Unbounded Scenes for Procedural Synthetic Data [71.22495169640239]
  手続き署名距離関数(SDF)は、大規模な詳細なシーンをモデル化するための強力なツールである。 OcMesherというメッシュ抽出アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-12-13T18:56:13Z)
• Reimagining Synthetic Tabular Data Generation through Data-Centric AI: A Comprehensive Benchmark [56.8042116967334]
  合成データは、機械学習モデルのトレーニングの代替となる。 合成データが現実世界データの複雑なニュアンスを反映することを保証することは、難しい作業です。 本稿では,データ中心型AI技術の統合による合成データ生成プロセスのガイドの可能性について検討する。
  論文  参考訳（メタデータ） (2023-10-25T20:32:02Z)
• Statistical properties and privacy guarantees of an original distance-based fully synthetic data generation method [0.0]
  この研究は、多段階のフレームワークを用いて、公開リリース可能な合成データを生成する技術的実現可能性を示す。 新たな多段階合成データ生成フレームワークを用いて生成したデータの質を評価することで,Open-CESPイニシアチブの技術的,概念的健全性を実証した。
  論文  参考訳（メタデータ） (2023-10-10T12:29:57Z)
• Synthetic data, real errors: how (not) to publish and use synthetic data [86.65594304109567]
  生成過程が下流MLタスクにどのように影響するかを示す。 本稿では、生成プロセスモデルパラメータの後方分布を近似するために、Deep Generative Ensemble (DGE)を導入する。
  論文  参考訳（メタデータ） (2023-05-16T07:30:29Z)
• CAFE: Learning to Condense Dataset by Aligning Features [72.99394941348757]
  本稿ではCAFE(Aligning features)によるCondenseデータセットの新しいスキームを提案する。 このアプローチの核心は、さまざまなスケールにわたる実データと合成データから機能を整合させる効果的な戦略です。 提案したCAFEを様々なデータセットで検証し,概ね最先端技術であることを示す。
  論文  参考訳（メタデータ） (2022-03-03T05:58:49Z)
• SYNC: A Copula based Framework for Generating Synthetic Data from Aggregated Sources [8.350531869939351]
  ダウンスケーリングと呼ばれる合成データ生成タスクについて検討する。 我々はSynC (Synthetic Data Generation via Gaussian Copula) と呼ばれる多段階フレームワークを提案する。 私たちはこの仕事に4つの重要な貢献をしています。
  論文  参考訳（メタデータ） (2020-09-20T16:36:25Z)
• Partially Conditioned Generative Adversarial Networks [75.08725392017698]
  Generative Adversarial Networks (GAN)は、実世界のトレーニングデータセットの基盤となる確率分布を暗黙的にモデル化することで、人工データセットを合成する。 条件付きGANとその変種の導入により、これらの手法はデータセット内の各サンプルで利用可能な補助情報に基づいて条件付きサンプルを生成するように拡張された。 本研究では,標準条件付きGANがそのようなタスクに適さないことを論じ,新たなAdversarial Networkアーキテクチャとトレーニング戦略を提案する。
  論文  参考訳（メタデータ） (2020-07-06T15:59:28Z)

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。