論文の概要: QuantFace: Towards Lightweight Face Recognition by Synthetic Data Low-bit Quantization

• arxiv url: http://arxiv.org/abs/2206.10526v1
• Date: Tue, 21 Jun 2022 16:51:18 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-22 17:41:08.193410
• Title: QuantFace: Towards Lightweight Face Recognition by Synthetic Data Low-bit Quantization
• Title（参考訳）: QuantFace: 合成データ低ビット量子化による軽量顔認識を目指して
• Authors: Fadi Boutros, Naser Damer, Arjan Kuijper
• Abstract要約: ディープラーニングに基づく顔認識モデルは、計算コストの高いフル精度浮動小数点ネットワークを使用する。 従来のコンパクトな顔認識手法は、実際のトレーニングデータを用いて、コンパクトなアーキテクチャを設計し、スクラッチからトレーニングするために提案されていた。 本稿では、低ビット精度のフォーマットモデル量子化に基づくQuantFaceソリューションを提案する。
• 参考スコア（独自算出の注目度）: 17.102748177677167
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Deep learning-based face recognition models follow the common trend in deep neural networks by utilizing full-precision floating-point networks with high computational costs. Deploying such networks in use-cases constrained by computational requirements is often infeasible due to the large memory required by the full-precision model. Previous compact face recognition approaches proposed to design special compact architectures and train them from scratch using real training data, which may not be available in a real-world scenario due to privacy concerns. We present in this work the QuantFace solution based on low-bit precision format model quantization. QuantFace reduces the required computational cost of the existing face recognition models without the need for designing a particular architecture or accessing real training data. QuantFace introduces privacy-friendly synthetic face data to the quantization process to mitigate potential privacy concerns and issues related to the accessibility to real training data. Through extensive evaluation experiments on seven benchmarks and four network architectures, we demonstrate that QuantFace can successfully reduce the model size up to 5x while maintaining, to a large degree, the verification performance of the full-precision model without accessing real training datasets.
• Abstract（参考訳）: ディープラーニングに基づく顔認識モデルは、計算コストの高い全精度浮動小数点ネットワークを利用して、ディープニューラルネットワークの一般的なトレンドに従う。 計算要求に制約されたユースケースでそのようなネットワークをデプロイすることは、フル精度モデルで必要とされる大きなメモリのために、しばしば実現不可能である。 従来のコンパクト顔認識アプローチでは、特別なコンパクトアーキテクチャを設計し、実際のトレーニングデータを使用してスクラッチからトレーニングすることが提案されている。 本稿では,低ビット精度フォーマットモデル量子化に基づくquantfaceソリューションを提案する。 quantfaceは、特定のアーキテクチャを設計したり、実際のトレーニングデータにアクセスする必要なしに、既存の顔認識モデルの必要な計算コストを削減する。 quantfaceは、実際のトレーニングデータへのアクセシビリティに関する潜在的なプライバシー懸念と問題を軽減するために、量子化プロセスにプライバシに優しい合成顔データを導入する。 7つのベンチマークと4つのネットワークアーキテクチャに関する広範な評価実験を通じて、quantfaceは、実際のトレーニングデータセットにアクセスせずに、全精度モデルの検証性能を維持しながら、モデルサイズを最大5倍に削減できることを実証する。

関連論文リスト

• Computation-efficient Deep Learning for Computer Vision: A Survey [121.84121397440337]
  ディープラーニングモデルは、さまざまな視覚的知覚タスクにおいて、人間レベルのパフォーマンスに到達または超えた。 ディープラーニングモデルは通常、重要な計算資源を必要とし、現実のシナリオでは非現実的な電力消費、遅延、または二酸化炭素排出量につながる。 新しい研究の焦点は計算効率のよいディープラーニングであり、推論時の計算コストを最小限に抑えつつ、良好な性能を達成することを目指している。
  論文  参考訳（メタデータ） (2023-08-27T03:55:28Z)
• Face Recognition Using Synthetic Face Data [0.0]
  我々は、コンピュータグラフィックスパイプラインを介してデジタル顔のレンダリングによって生成された合成データの有望な応用を強調し、競争力のある結果を得る。 モデルを微調整することで、何十万もの実画像のトレーニングで得られた結果に匹敵する結果が得られる。 また,モデル性能に及ぼすクラス内因子(化粧品,アクセサリー,ヘアカットなど)の追加効果についても検討した。
  論文  参考訳（メタデータ） (2023-05-17T09:26:10Z)
• Equivariant Differentially Private Deep Learning: Why DP-SGD Needs Sparser Models [7.49320945341034]
  小型で効率的なアーキテクチャ設計は、計算要求がかなり少ない最先端のモデルよりも優れていることを示す。 私たちの結果は、パラメータを最適に活用する効率的なモデルアーキテクチャへの一歩です。
  論文  参考訳（メタデータ） (2023-01-30T17:43:47Z)
• An Adversarial Active Sampling-based Data Augmentation Framework for Manufacturable Chip Design [55.62660894625669]
  リソグラフィーモデリングは、チップ設計マスクが製造可能であることを保証するため、チップ設計において重要な問題である。 機械学習の最近の進歩は、時間を要するリソグラフィーシミュレーションをディープニューラルネットワークに置き換えるための代替ソリューションを提供している。 本稿では,限られたデータのジレンマを解消し,機械学習モデルの性能を向上させるために,データ拡張フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-10-27T20:53:39Z)
• Design Automation for Fast, Lightweight, and Effective Deep Learning Models: A Survey [53.258091735278875]
  本調査では,エッジコンピューティングを対象としたディープラーニングモデルの設計自動化技術について述べる。 これは、有効性、軽量性、計算コストの観点からモデルの習熟度を定量化するために一般的に使用される主要なメトリクスの概要と比較を提供する。 この調査は、ディープモデル設計自動化技術の最先端の3つのカテゴリをカバーしている。
  論文  参考訳（メタデータ） (2022-08-22T12:12:43Z)
• Efficient Realistic Data Generation Framework leveraging Deep Learning-based Human Digitization [0.0]
  提案手法は、実際の背景画像として入力され、さまざまなポーズで人物を投入する。 対応するタスクのベンチマークと評価は、実データに対する補足として、合成データが効果的に使用できることを示している。
  論文  参考訳（メタデータ） (2021-06-28T08:07:31Z)
• Zero-shot Adversarial Quantization [11.722728148523366]
  ゼロショット逆量子化(ZAQ: Zero-shot adversarial quantization)フレームワークを提案し,効果的な不一致推定と知識伝達を容易にする。 これは、情報的で多様なデータ例を合成するためにジェネレータを駆動する、新しい2レベル不一致モデリングによって達成される。 強力なゼロショットベースラインに対してZAQの優位性を示す3つの基本的なビジョンタスクについて広範な実験を行います。
  論文  参考訳（メタデータ） (2021-03-29T01:33:34Z)
• Mixed-Privacy Forgetting in Deep Networks [114.3840147070712]
  大規模画像分類タスクにおいてトレーニングされたネットワークの重みからトレーニングサンプルのサブセットの影響を除去できることを示す。 そこで本研究では,混合プライバシー設定における「忘れ」という新しい概念を導入する。 提案手法は,モデル精度のトレードオフを伴わずに忘れることができることを示す。
  論文  参考訳（メタデータ） (2020-12-24T19:34:56Z)
• Shape My Face: Registering 3D Face Scans by Surface-to-Surface Translation [75.59415852802958]
  Shape-My-Face (SMF) は、改良されたポイントクラウドエンコーダ、新しい視覚的注意機構、スキップ接続付きグラフ畳み込みデコーダ、特殊口モデルに基づく強力なエンコーダデコーダアーキテクチャである。 私たちのモデルは、トポロジカルにサウンドメッシュを最小限の監視で提供し、より高速なトレーニング時間を提供し、訓練可能なパラメータを桁違いに減らし、ノイズに強く、以前は見られないデータセットに一般化することができます。
  論文  参考訳（メタデータ） (2020-12-16T20:02:36Z)
• Semi-Siamese Training for Shallow Face Learning [78.7386209619276]
  セミ・シームズ・トレーニング(SST)という新しいトレーニング手法を導入する。 一対のセミ・シームズネットワークが前方伝播構造を構成し、トレーニング損失を更新ギャラリーキューで計算する。 提案手法は外部依存を伴わずに開発されており,既存の損失関数やネットワークアーキテクチャと柔軟に統合することができる。
  論文  参考訳（メタデータ） (2020-07-16T15:20:04Z)

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。