論文の概要: Deep face recognition with clustering based domain adaptation

• arxiv url: http://arxiv.org/abs/2205.13937v1
• Date: Fri, 27 May 2022 12:29:11 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-30 22:37:26.660725
• Title: Deep face recognition with clustering based domain adaptation
• Title（参考訳）: クラスタリングに基づくドメイン適応による深層顔認識
• Authors: Mei Wang, Weihong Deng
• Abstract要約: そこで本研究では,ターゲットドメインとソースがクラスを共有しない顔認識タスクを対象とした,クラスタリングに基づく新しいドメイン適応手法を提案する。 本手法は,特徴領域をグローバルに整列させ,その一方で,対象クラスタを局所的に識別することで,識別対象特徴を効果的に学習する。
• 参考スコア（独自算出の注目度）: 57.29464116557734
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Despite great progress in face recognition tasks achieved by deep convolution neural networks (CNNs), these models often face challenges in real world tasks where training images gathered from Internet are different from test images because of different lighting condition, pose and image quality. These factors increase domain discrepancy between training (source domain) and testing (target domain) database and make the learnt models degenerate in application. Meanwhile, due to lack of labeled target data, directly fine-tuning the pre-learnt models becomes intractable and impractical. In this paper, we propose a new clustering-based domain adaptation method designed for face recognition task in which the source and target domain do not share any classes. Our method effectively learns the discriminative target feature by aligning the feature domain globally, and, at the meantime, distinguishing the target clusters locally. Specifically, it first learns a more reliable representation for clustering by minimizing global domain discrepancy to reduce domain gaps, and then applies simplified spectral clustering method to generate pseudo-labels in the domain-invariant feature space, and finally learns discriminative target representation. Comprehensive experiments on widely-used GBU, IJB-A/B/C and RFW databases clearly demonstrate the effectiveness of our newly proposed approach. State-of-the-art performance of GBU data set is achieved by only unsupervised adaptation from the target training data.
• Abstract（参考訳）: 深層畳み込みニューラルネットワーク(cnns)による顔認識タスクの進歩にもかかわらず、これらのモデルは、インターネットから収集されたトレーニング画像が、照明条件、ポーズ、画質の異なるためテスト画像とは異なる現実のタスクにおいて、しばしば課題に直面している。 これらの要因は、トレーニング(ソースドメイン)とテスト(ターゲットドメイン)データベース間のドメインの相違を高め、学習したモデルをアプリケーション内で退化させる。 一方、ラベル付き対象データがないため、事前学習モデルを直接微調整することは困難で実用的ではない。 本稿では,ソースドメインとターゲットドメインがクラスを共有しない,顔認識タスク用に設計されたクラスタリングに基づく新しいドメイン適応手法を提案する。 本手法は,グローバルに特徴領域を調整し,その間,局所的に対象クラスタを識別することで,識別対象特徴を効果的に学習する。 具体的には、まず、大域的領域差を最小化し、領域ギャップを最小化し、より信頼性の高いクラスタリング表現を学習し、次いで、単純化されたスペクトルクラスタリング法を適用して、ドメイン不変特徴空間における擬似ラベルを生成し、最終的に識別対象表現を学習する。 GBU, IJB-A/B/C, RFWデータベースの総合的な実験により, 提案手法の有効性が明らかとなった。 GBUデータセットの最先端性能は、目標トレーニングデータからの教師なし適応のみにより達成される。

関連論文リスト

• Adaptive Global-Local Representation Learning and Selection for Cross-Domain Facial Expression Recognition [54.334773598942775]
  ドメインシフトは、クロスドメイン顔表情認識(CD-FER)において重要な課題となる 適応的グローバルローカル表現学習・選択フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-01-20T02:21:41Z)
• Adaptive Face Recognition Using Adversarial Information Network [57.29464116557734]
  顔認識モデルは、トレーニングデータがテストデータと異なる場合、しばしば退化する。 本稿では,新たな敵情報ネットワーク(AIN)を提案する。
  論文  参考訳（メタデータ） (2023-05-23T02:14:11Z)
• Self-training through Classifier Disagreement for Cross-Domain Opinion Target Extraction [62.41511766918932]
  オピニオンターゲット抽出(OTE)またはアスペクト抽出(AE)は意見マイニングの基本的な課題である。 最近の研究は、現実世界のシナリオでよく見られるクロスドメインのOTEに焦点を当てている。 そこで本稿では,ドメイン固有の教師と学生のネットワークから出力されるモデルが未学習のターゲットデータと一致しない対象サンプルを選択するためのSSLアプローチを提案する。
  論文  参考訳（メタデータ） (2023-02-28T16:31:17Z)
• Unsupervised Domain Adaptation via Distilled Discriminative Clustering [45.39542287480395]
  対象データの識別クラスタリングとしてドメイン適応問題を再検討する。 本稿では,ラベル付き情報源データよりも並列に教師付き学習目標を用いて,ネットワークを協調的に訓練することを提案する。 5つの人気のあるベンチマークデータセットに対して、慎重にアブレーション研究と広範な実験を行う。
  論文  参考訳（メタデータ） (2023-02-23T13:03:48Z)
• Federated Unsupervised Domain Adaptation for Face Recognition [26.336693850812118]
  顔認識のための非教師付きドメイン適応フェデレーションであるFedFRを提案する。 対象領域におけるラベルなしデータに対しては,距離制約付きクラスタリングアルゴリズムを強化し,予測された擬似ラベルの品質を向上させる。 また、フェデレート学習において、ソースドメイントレーニングを正規化するための新しいドメイン制約損失を提案する。
  論文  参考訳（メタデータ） (2022-04-09T04:02:03Z)
• Physically-Constrained Transfer Learning through Shared Abundance Space for Hyperspectral Image Classification [14.840925517957258]
  本稿では、ソースとターゲットドメイン間のギャップを埋める新しい転送学習手法を提案する。 提案手法は,共有空間を経由した物理制約付き移動学習と呼ばれる。
  論文  参考訳（メタデータ） (2020-08-19T17:41:37Z)
• Self-paced Contrastive Learning with Hybrid Memory for Domain Adaptive Object Re-ID [55.21702895051287]
  ドメイン適応オブジェクトre-IDは、学習した知識をラベル付けされたソースドメインからラベル付けされていないターゲットドメインに転送することを目的としています。 本稿では,ハイブリットメモリを用いた自己評価型コントラスト学習フレームワークを提案する。 提案手法は,オブジェクトre-IDの複数のドメイン適応タスクにおいて,最先端の処理性能を向上する。
  論文  参考訳（メタデータ） (2020-06-04T09:12:44Z)
• Alleviating Semantic-level Shift: A Semi-supervised Domain Adaptation Method for Semantic Segmentation [97.8552697905657]
  このタスクの重要な課題は、ソースとターゲットドメイン間のデータ分散の相違を緩和する方法である。 本稿では,グローバルな視点とローカルな視点の両方から分布の整合性を促進できるASS(Alleviating Semantic-level Shift)を提案する。 GTA5、Cityscapes、Synthia、Cityscapesの2つのドメイン適応タスクにASSを適用します。
  論文  参考訳（メタデータ） (2020-04-02T03:25:05Z)

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。