論文の概要: Octuplet Loss: Make Face Recognition Robust to Image Resolution

• arxiv url: http://arxiv.org/abs/2207.06726v2
• Date: Tue, 21 Mar 2023 07:23:13 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-24 03:49:27.816837
• Title: Octuplet Loss: Make Face Recognition Robust to Image Resolution
• Title（参考訳）: octupletの損失: 顔認識を画像解像度に堅牢にする
• Authors: Martin Knoche, Mohamed Elkadeem, Stefan H\"ormann, Gerhard Rigoll
• Abstract要約: 本稿では,画像解像度に対するロバスト性を改善するために,人気三重項損失の新たな組み合わせを提案する。 我々は,高分解能画像とそれらの合成ダウンサンプリング変異体との関係をアイデンティティラベルと組み合わせて活用する。 本手法は, クロスレゾリューション (高分解能) 顔認証の性能を著しく向上させることができることを示す。
• 参考スコア（独自算出の注目度）: 5.257115841810258
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Image resolution, or in general, image quality, plays an essential role in the performance of today's face recognition systems. To address this problem, we propose a novel combination of the popular triplet loss to improve robustness against image resolution via fine-tuning of existing face recognition models. With octuplet loss, we leverage the relationship between high-resolution images and their synthetically down-sampled variants jointly with their identity labels. Fine-tuning several state-of-the-art approaches with our method proves that we can significantly boost performance for cross-resolution (high-to-low resolution) face verification on various datasets without meaningfully exacerbating the performance on high-to-high resolution images. Our method applied on the FaceTransformer network achieves 95.12% face verification accuracy on the challenging XQLFW dataset while reaching 99.73% on the LFW database. Moreover, the low-to-low face verification accuracy benefits from our method. We release our code to allow seamless integration of the octuplet loss into existing frameworks.
• Abstract（参考訳）: 画像解像度(一般的には画像品質)は、今日の顔認識システムの性能において重要な役割を担っている。 この問題を解決するために,既存の顔認識モデルの微調整による画像解像度に対するロバスト性を改善するために,人気のある三重項損失の新たな組み合わせを提案する。 オークタプレット損失では,高分解能画像と合成低サンプリングの変種との関係を識別ラベルと組み合わせて活用する。 その結果,高解像度画像の性能を著しく悪化させることなく,様々なデータセットにおけるクロスレゾリューション(高解像度)顔認証の性能を著しく向上させることができた。 提案手法をFaceTransformerネットワークに適用することにより,難解なXQLFWデータセット上での顔認証精度が95.12%向上し,LFWデータベースでは99.73%に達した。 また, 顔認証精度の低さは本手法の利点である。 既存のフレームワークにoctupletの損失をシームレスに統合できるように、コードをリリースしています。

関連論文リスト

• 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)
• CCFace: Classification Consistency for Low-Resolution Face Recognition [12.129404936688752]
  TinyFaceやSCFaceのような現実の低解像度のベンチマークに適用した場合、ディープフェイス認識手法はパフォーマンスを著しく低下させる。 本稿では,学習した分類器を高分解能モデルから低分解能ネットワークへ変換する新しい分類整合性知識蒸留手法を提案する。 提案手法は,高分解能ベンチマークの性能を維持しながら,TinyFaceを3%改善した。
  論文  参考訳（メタデータ） (2023-08-18T01:24:52Z)
• Cross-resolution Face Recognition via Identity-Preserving Network and Knowledge Distillation [12.090322373964124]
  クロスレゾリューション顔認識は、現代の深層顔認識システムにとって難しい問題である。 本稿では,低分解能画像の低周波成分に蓄積される識別情報にネットワークを集中させる新しい手法を提案する。
  論文  参考訳（メタデータ） (2023-03-15T14:52:46Z)
• Meet-in-the-middle: Multi-scale upsampling and matching for cross-resolution face recognition [8.330506641637793]
  本稿では, 顔の超解像, 解像度マッチング, マルチスケールテンプレート蓄積を組み合わせ, 監視映像から顔を確実に認識する手法を提案する。 提案手法では、実際の監視画像のターゲットデータセットのトレーニングや微調整は不要である。
  論文  参考訳（メタデータ） (2022-11-28T11:23:32Z)
• AdaFace: Quality Adaptive Margin for Face Recognition [56.99208144386127]
  本稿では、損失関数、すなわち画像品質における適応性の別の側面を紹介する。 そこで本稿では,画像品質に基づいて異なる難易度を示す新たな損失関数を提案する。 提案手法は,4つのデータセット上でのSoTA(State-of-the-art)による顔認識性能を向上させる。
  論文  参考訳（メタデータ） (2022-04-03T01:23:41Z)
• LR-to-HR Face Hallucination with an Adversarial Progressive Attribute-Induced Network [67.64536397027229]
  顔の超解像は難しい問題であり、非常に不適切な問題である。 顔の特徴を取り入れたエンドツーエンドのプログレッシブ・ラーニング・フレームワークを提案する。 提案手法は,他の最先端アプローチよりも良好な顔幻覚像が得られることを示す。
  論文  参考訳（メタデータ） (2021-09-29T19:50:45Z)
• Cross-Quality LFW: A Database for Analyzing Cross-Resolution Image Face Recognition in Unconstrained Environments [8.368543987898732]
  現実世界の顔認識アプリケーションは、異なるキャプチャ条件のために、最適な画像の品質や解像度を扱うことが多い。 最近のクロスレゾリューション顔認識手法は、画像品質における現実のエッジケースとの距離を測定するために、単純で任意で非現実的なダウンスケールとアップスケーリングの手法を用いている。 本稿では,Wildにおける有名なラベル付き顔から派生した,新しい標準ベンチマークデータセットと評価プロトコルを提案する。
  論文  参考訳（メタデータ） (2021-08-23T17:04:32Z)
• Network Architecture Search for Face Enhancement [82.25775020564654]
  我々は、NASFE(Network Architecture Search for Face Enhancement)と呼ばれるマルチタスクの顔復元ネットワークを提案する。 NASFEは、単一の劣化(すなわち)を含む低品質の顔画像を高めることができる。 ノイズまたはぼやけ)または複数の劣化(ノイズ+ブラル+ローライト)
  論文  参考訳（メタデータ） (2021-05-13T19:46:05Z)
• Multi Scale Identity-Preserving Image-to-Image Translation Network for Low-Resolution Face Recognition [7.6702700993064115]
  本稿では,画像から画像へ変換する深層ニューラルネットワークを提案する。 アイデンティティ関連の情報を保存しながら、非常に低解像度の顔を高解像度の顔に超解き放つことができる。
  論文  参考訳（メタデータ） (2020-10-23T09:21:06Z)
• Inducing Predictive Uncertainty Estimation for Face Recognition [102.58180557181643]
  顔画像の「マッドペア」から画像品質訓練データを自動的に生成する手法を提案する。 生成したデータを用いて、顔画像の信頼度を推定するために、PCNetと呼ばれる軽量な予測信頼ネットワークを訓練する。
  論文  参考訳（メタデータ） (2020-09-01T17:52:00Z)
• Invertible Image Rescaling [118.2653765756915]
  Invertible Rescaling Net (IRN) を開発した。 我々は、ダウンスケーリングプロセスにおいて、指定された分布に従う潜在変数を用いて、失われた情報の分布をキャプチャする。
  論文  参考訳（メタデータ） (2020-05-12T09:55:53Z)

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。