論文の概要: Eight Years of Face Recognition Research: Reproducibility, Achievements
and Open Issues
- arxiv url: http://arxiv.org/abs/2208.04040v2
- Date: Tue, 9 Aug 2022 11:20:44 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-10 10:26:59.503443
- Title: Eight Years of Face Recognition Research: Reproducibility, Achievements
and Open Issues
- Title（参考訳）: 顔認識研究の8年-再現性,成果,オープンイシュー
- Authors: Tiago de Freitas Pereira and Dominic Schmidli and Yu Linghu and Xinyi
Zhang and S\'ebastien Marcel and Manuel G\"unther
- Abstract要約: 過去30年間に多くの異なる顔認識アルゴリズムが提案されてきた。
2015年からは、最先端の顔認識がディープラーニングモデルに根ざしている。
この研究は、2014年に開発され、2016年に出版されたこれまでの研究のフォローアップであり、顔認識アルゴリズムに対する様々な顔の側面の影響を示している。
- 参考スコア（独自算出の注目度）: 6.608320705848282
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Automatic face recognition is a research area with high popularity. Many
different face recognition algorithms have been proposed in the last thirty
years of intensive research in the field. With the popularity of deep learning
and its capability to solve a huge variety of different problems, face
recognition researchers have concentrated effort on creating better models
under this paradigm. From the year 2015, state-of-the-art face recognition has
been rooted in deep learning models. Despite the availability of large-scale
and diverse datasets for evaluating the performance of face recognition
algorithms, many of the modern datasets just combine different factors that
influence face recognition, such as face pose, occlusion, illumination, facial
expression and image quality. When algorithms produce errors on these datasets,
it is not clear which of the factors has caused this error and, hence, there is
no guidance in which direction more research is required. This work is a
followup from our previous works developed in 2014 and eventually published in
2016, showing the impact of various facial aspects on face recognition
algorithms. By comparing the current state-of-the-art with the best systems
from the past, we demonstrate that faces under strong occlusions, some types of
illumination, and strong expressions are problems mastered by deep learning
algorithms, whereas recognition with low-resolution images, extreme pose
variations, and open-set recognition is still an open problem. To show this, we
run a sequence of experiments using six different datasets and five different
face recognition algorithms in an open-source and reproducible manner. We
provide the source code to run all of our experiments, which is easily
extensible so that utilizing your own deep network in our evaluation is just a
few minutes away.
- Abstract（参考訳）: 自動顔認識は、人気の高い研究分野である。
この分野における過去30年間の集中的な研究において、様々な顔認識アルゴリズムが提案されている。
ディープラーニングの人気と、さまざまな問題を解決する能力によって、顔認識研究者は、このパラダイムの下でより良いモデルを作成することに力を注いでいる。
2015年からは、最先端の顔認識がディープラーニングモデルに根ざしている。
顔認識アルゴリズムのパフォーマンスを評価するために、大規模で多様なデータセットが利用可能であるにもかかわらず、現代のデータセットの多くは、顔のポーズ、オクルージョン、照明、表情、画像品質など、顔認識に影響を与えるさまざまな要因を組み合わせている。
アルゴリズムがこれらのデータセットにエラーを発生させた場合、このエラーの原因となった要因がどれであるかは明らかではないため、どの方向で研究が必要かは明らかになっていない。
この研究は、2014年に開発され、2016年に出版されたこれまでの研究のフォローアップであり、顔認識アルゴリズムに対する様々な顔の側面の影響を示している。
現在の最先端システムと過去の最高のシステムを比較することで、強い隠蔽、ある種の照明、強い表現がディープラーニングアルゴリズムによって習得される問題であるのに対して、低解像度画像による認識、極端なポーズバリエーション、オープンセット認識は依然として未解決の問題であることを示す。
これを示すために、6つの異なるデータセットと5つの異なる顔認識アルゴリズムを用いた一連の実験をオープンソースで再現可能な方法で実施した。
すべての実験を実行するためのソースコードを提供しています。これは容易に拡張可能で、評価であなた自身のディープネットワークを活用するのは数分後になります。
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) - Explaining Deep Face Algorithms through Visualization: A Survey [57.60696799018538]
本研究は、顔領域における説明可能性アルゴリズムの第一種メタ分析を行う。
既存のフェース説明可能性について概観し、フェースネットワークの構造と階層に関する貴重な知見を明らかにする。
論文 参考訳（メタデータ） (2023-09-26T07:16:39Z) - A Study on the Impact of Face Image Quality on Face Recognition in the
Wild [6.916620974833163]
本研究では,野生の顔画像における深層学習手法の性能評価を行い,これらのデータを用いた人間の顔検証実験を設計する。
この結果から,ディープラーニングにおける品質問題の研究は依然として徹底的に行う必要があることが示唆された。
論文 参考訳（メタデータ） (2023-07-05T22:41:14Z) - A new face swap method for image and video domains: a technical report [60.47144478048589]
FaceShifterアーキテクチャに基づいた新しいフェイススワップパイプラインを導入する。
新しいアイロス機能、超解像ブロック、ガウスベースのフェイスマスク生成は、品質改善につながる。
論文 参考訳（メタデータ） (2022-02-07T10:15:50Z) - Detect Faces Efficiently: A Survey and Evaluations [13.105528567365281]
顔認識、表情認識、顔追跡、頭部推定を含む多くの応用は、画像中の顔の位置と大きさの両方が知られていると仮定する。
ディープラーニング技術は、かなりの計算量の増加と共に、対面検出に驚くべきブレークスルーをもたらした。
本稿では, 代表的な深層学習手法を紹介し, 精度と効率性の観点から, 深く, 徹底的な分析を行う。
論文 参考訳（メタデータ） (2021-12-03T08:39:40Z) - Evaluation of Human and Machine Face Detection using a Novel Distinctive
Human Appearance Dataset [0.76146285961466]
画像中の顔を検出する能力において,現在最先端の顔検出モデルを評価する。
評価結果から,顔検出アルゴリズムは多様な外観に適さないことが示された。
論文 参考訳（メタデータ） (2021-11-01T02:20:40Z) - Facial Expressions as a Vulnerability in Face Recognition [73.85525896663371]
本研究では,顔認識システムのセキュリティ脆弱性としての表情バイアスについて検討する。
本稿では,表情バイアスが顔認識技術の性能に与える影響を包括的に分析する。
論文 参考訳（メタデータ） (2020-11-17T18:12:41Z) - The Elements of End-to-end Deep Face Recognition: A Survey of Recent
Advances [56.432660252331495]
顔認識はコンピュータビジョンにおいて最も人気があり、長く続いたトピックの1つである。
ディープフェイス認識は目覚ましい進歩を遂げ、多くの現実世界のアプリケーションで広く利用されている。
本稿では,各要素の最近の進歩を概観する。
論文 参考訳（メタデータ） (2020-09-28T13:02:17Z) - On the Robustness of Face Recognition Algorithms Against Attacks and
Bias [78.68458616687634]
顔認識アルゴリズムは非常に高い認識性能を示しており、現実のアプリケーションに適していることを示唆している。
精度が向上したにもかかわらず、これらのアルゴリズムの攻撃や偏見に対する堅牢性は問題視されている。
本稿では,顔認識アルゴリズムの頑健性に挑戦する様々な方法について要約する。
論文 参考訳（メタデータ） (2020-02-07T18:21:59Z)
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。