論文の概要: Generative Domain Adaptation for Face Anti-Spoofing
- arxiv url: http://arxiv.org/abs/2207.10015v1
- Date: Wed, 20 Jul 2022 16:24:57 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-21 13:56:45.548338
- Title: Generative Domain Adaptation for Face Anti-Spoofing
- Title(参考訳): Face Anti-Spoofingのための生成ドメイン適応
- Authors: Qianyu Zhou, Ke-Yue Zhang, Taiping Yao, Ran Yi, Kekai Sheng, Shouhong
Ding, Lizhuang Ma
- Abstract要約: 教師なしドメイン適応(UDA)に基づくアンチスプーフィングアプローチは、ターゲットシナリオに対する有望なパフォーマンスのために注目を集めている。
既存のUDA FASメソッドは、通常、セマンティックな高レベルの機能の分布を整列することで、トレーニングされたモデルをターゲットドメインに適合させる。
対象データをモデルに直接適合させ、画像翻訳により対象データをソースドメインスタイルにスタイリングし、さらに、訓練済みのソースモデルにスタイリングされたデータを入力して分類する、UDA FASの新しい視点を提案する。
- 参考スコア(独自算出の注目度): 38.12738183385737
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Face anti-spoofing (FAS) approaches based on unsupervised domain adaption
(UDA) have drawn growing attention due to promising performances for target
scenarios. Most existing UDA FAS methods typically fit the trained models to
the target domain via aligning the distribution of semantic high-level
features. However, insufficient supervision of unlabeled target domains and
neglect of low-level feature alignment degrade the performances of existing
methods. To address these issues, we propose a novel perspective of UDA FAS
that directly fits the target data to the models, i.e., stylizes the target
data to the source-domain style via image translation, and further feeds the
stylized data into the well-trained source model for classification. The
proposed Generative Domain Adaptation (GDA) framework combines two carefully
designed consistency constraints: 1) Inter-domain neural statistic consistency
guides the generator in narrowing the inter-domain gap. 2) Dual-level semantic
consistency ensures the semantic quality of stylized images. Besides, we
propose intra-domain spectrum mixup to further expand target data distributions
to ensure generalization and reduce the intra-domain gap. Extensive experiments
and visualizations demonstrate the effectiveness of our method against the
state-of-the-art methods.
- Abstract(参考訳): unsupervised domain adaption(uda)に基づいたface anti-spoofing(fas)アプローチは、ターゲットシナリオの有望なパフォーマンスのために注目を集めている。
既存のUDA FASメソッドは、通常、セマンティックな高レベルの機能の分布を整列することで、トレーニングされたモデルをターゲットドメインに適合させる。
しかし、ラベルのない対象ドメインの監督が不十分で、低レベルの機能アライメントが無視されているため、既存のメソッドのパフォーマンスは低下する。
これらの課題に対処するために, 対象データをモデルに直接適合させるUDA FASの新たな視点, すなわち, 画像翻訳により対象データをソースドメインスタイルにスタイリングし, さらに, 適切に訓練されたソースモデルにスタイリングデータを供給する。
提案するジェネレーティブドメイン適応(gda)フレームワークは、注意深く設計された2つの一貫性制約を組み合わせる。
1)ドメイン間神経統計整合性は、ドメイン間ギャップを狭める際にジェネレータを導く。
2)デュアルレベルのセマンティック一貫性は,スタイリング画像のセマンティック品質を保証する。
さらに,対象データ分布をさらに拡張し,一般化と領域内ギャップの低減を図るため,領域内スペクトル混成を提案する。
本手法の最先端手法に対する有効性を示す実験と可視化を行った。
関連論文リスト
- Style Adaptation for Domain-adaptive Semantic Segmentation [2.1365683052370046]
ドメインの不一致は、ターゲットドメインに適用した場合、ソースドメインデータに基づいてトレーニングされた一般的なネットワークモデルの性能を著しく低下させる。
パラメータ計算を必要とせず、自己学習に基づくUDA手法とシームレスに統合する。
提案手法は,GTA->Cityscapesデータセット上で76.93 mIoUの有意なUDA性能を達成し,過去の成果に比べて+1.03ポイント向上したことを示す。
論文 参考訳(メタデータ) (2024-04-25T02:51:55Z) - Cyclically Disentangled Feature Translation for Face Anti-spoofing [61.70377630461084]
循環不整合特徴変換ネットワーク(CDFTN)と呼ばれる新しい領域適応手法を提案する。
CDFTNは、(1)ソースドメイン不変の生長特徴と2)ドメイン固有のコンテンツ特徴とを持つ擬似ラベル付きサンプルを生成する。
ソースドメインラベルの監督の下で、合成擬似ラベル付き画像に基づいてロバスト分類器を訓練する。
論文 参考訳(メタデータ) (2022-12-07T14:12:34Z) - Attention-based Cross-Layer Domain Alignment for Unsupervised Domain
Adaptation [14.65316832227658]
教師なしドメイン適応(Unsupervised domain adapt, UDA)は、ラベル付きソースドメインから伝達可能な知識を学び、トレーニングされたモデルをラベルなしターゲットドメインに適応させることを目的としている。
1つの一般的な戦略は、ディープモデルによって抽出されたセマンティックな特徴を整合させることで、分布の相違を最小限にすることである。
論文 参考訳(メタデータ) (2022-02-27T08:36:12Z) - Semi-supervised Domain Adaptation for Semantic Segmentation [3.946367634483361]
セマンティックセグメンテーションにおけるクロスドメインとイントラドメインのギャップに対処する2段階の半教師付き二重ドメイン適応(SSDDA)手法を提案する。
提案手法は,2つの共通合成-実合成セマンティックセグメンテーションベンチマークにおいて,最先端の手法よりも優れていることを示す。
論文 参考訳(メタデータ) (2021-10-20T16:13:00Z) - Stagewise Unsupervised Domain Adaptation with Adversarial Self-Training
for Road Segmentation of Remote Sensing Images [93.50240389540252]
リモートセンシング画像からの道路セグメンテーションは、幅広い応用可能性を持つ課題である。
本稿では,この領域における領域シフト(DS)問題に対処するため,RoadDAと呼ばれる新たな段階的ドメイン適応モデルを提案する。
2つのベンチマーク実験の結果、RoadDAはドメインギャップを効率的に減らし、最先端の手法より優れていることが示された。
論文 参考訳(メタデータ) (2021-08-28T09:29:14Z) - Effective Label Propagation for Discriminative Semi-Supervised Domain
Adaptation [76.41664929948607]
半教師付き領域適応(SSDA)法は,大規模な画像分類タスクにおいて大きな可能性を示している。
本稿では、ドメイン間およびドメイン内セマンティック情報を効果的に伝達することにより、この問題に対処する新しい効果的な方法を提案する。
ソースコードと事前訓練されたモデルも間もなくリリースされる予定です。
論文 参考訳(メタデータ) (2020-12-04T14:28:19Z) - Towards Fair Cross-Domain Adaptation via Generative Learning [50.76694500782927]
ドメイン適応(DA)は、よくラベル付けされたソースドメイン上でトレーニングされたモデルを、異なる分散に横たわる未ラベルのターゲットドメインに適応することを目的としています。
本研究では,新規な生成的Few-shot Cross-Domain Adaptation (GFCA) アルゴリズムを開発した。
論文 参考訳(メタデータ) (2020-03-04T23:25:09Z) - Bi-Directional Generation for Unsupervised Domain Adaptation [61.73001005378002]
教師なしのドメイン適応は、確立されたソースドメイン情報に依存するラベルなしのターゲットドメインを促進する。
従来の手法では、潜在空間におけるドメインの不一致を強制的に低減することで、本質的なデータ構造が破壊される。
本稿では、2つの中間領域をブリッジソースとターゲットドメインに補間する一貫した分類器を用いた双方向生成ドメイン適応モデルを提案する。
論文 参考訳(メタデータ) (2020-02-12T09:45:39Z) - Contradictory Structure Learning for Semi-supervised Domain Adaptation [67.89665267469053]
現在の逆順応法は、クロスドメインの特徴を整列させようとする。
1)条件分布ミスマッチ、2)決定境界のソース領域へのバイアス。
本稿では,対向構造の学習を統一することで,半教師付きドメイン適応のための新しいフレームワークを提案する。
論文 参考訳(メタデータ) (2020-02-06T22:58:20Z)
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。