論文の概要: Modeling Biological Face Recognition with Deep Convolutional Neural Networks

• arxiv url: http://arxiv.org/abs/2208.06681v1
• Date: Sat, 13 Aug 2022 16:45:30 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-16 13:52:31.410595
• Title: Modeling Biological Face Recognition with Deep Convolutional Neural Networks
• Title（参考訳）: 深層畳み込みニューラルネットワークによる生体顔認識のモデル化
• Authors: Leonard E. van Dyck, Walter R. Gruber
• Abstract要約: 我々は、DCNNは、生物学的顔認識の一般的な階層構造に従う有用なモデルであると主張している。 DCNNにおける顔検出の研究は、フィードフォワードプロセスを通じて、基本顔選択性が自動的に現れることを示唆している。 DCNNにおける顔の識別に関する研究は、この課題には経験と追加の生成メカニズムが必要であることを示唆している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Deep Convolutional Neural Networks (DCNNs) have become the state-of-the-art computational models of biological object recognition. Their remarkable success has helped vision science break new ground. Consequently, recent efforts have started to transfer this achievement to the domain of biological face recognition. In this regard, face detection can be investigated through comparisons of face-selective biological areas and neurons to artificial layers and units. Similarly, face identification can be examined through comparisons of in vivo and in silico face space representations. In this mini-review, we summarize the first studies with this aim. We argue that DCNNs are useful models, which follow the general hierarchical organization of biological face recognition. In two spotlights, we emphasize unique scientific contributions of these models. Firstly, studies on face detection in DCNNs propose that elementary face-selectivity emerges automatically through feedforward processes. Secondly, studies on face identification in DCNNs suggest that experience and additional generative mechanisms are required for this challenge. Taken together, as this novel computational approach enables close control of predisposition (i.e., architecture) and experience (i.e., training data), this could also inform longstanding debates on the substrates of biological face recognition.
• Abstract（参考訳）: 深層畳み込みニューラルネットワーク(dcnn)は、生物物体認識の最先端の計算モデルとなっている。 彼らの素晴らしい成功は、視覚科学が新たな基盤を壊すのに役立った。 その結果,近年,この成果を生体顔認証分野に移管する試みが始まっている。 この点で顔検出は、顔選択生物領域とニューロンと人工的な層と単位の比較を通して研究することができる。 同様に、顔の識別はin vivoとsilicoの顔空間の表現の比較によって調べることができる。 このミニレビューでは、最初の研究をこの目的にまとめます。 我々は、DCNNは、生物学的顔認識の一般的な階層構造に従う有用なモデルであると主張している。 2つの点において、これらのモデルのユニークな科学的貢献を強調している。 第一に、DCNNにおける顔検出の研究は、フィードフォワードプロセスを通じて、基本顔選択性が自動的に現れることを示唆している。 第二に、DCNNにおける顔の識別に関する研究は、この課題には経験と追加の生成メカニズムが必要であることを示唆している。 この新しい計算手法は、前置詞(アーキテクチャ)と経験(トレーニングデータ)の密接な制御を可能にするため、生物学的顔認証の基盤に関する長年にわたる議論にも影響を及ぼす可能性がある。

関連論文リスト

• Multimodal Adaptive Fusion of Face and Gait Features using Keyless attention based Deep Neural Networks for Human Identification [67.64124512185087]
  歩行のような軟式生体認証は、人物認識や再識別といった監視作業において顔に広く使われている。 本稿では,キーレス注意深層ニューラルネットワークを活用することで,歩行と顔のバイオメトリック・キューを動的に組み込むための適応型マルチバイオメトリック・フュージョン戦略を提案する。
  論文  参考訳（メタデータ） (2023-03-24T05:28:35Z)
• Guiding Visual Attention in Deep Convolutional Neural Networks Based on Human Eye Movements [0.0]
  ディープ畳み込みニューラルネットワーク(DCNN)は、当初は生物学的ビジョンの原理にインスパイアされていた。 近年のディープラーニングの進歩は、この類似性を減らしているようだ。 有用なモデルを得るための純粋にデータ駆動型アプローチについて検討する。
  論文  参考訳（メタデータ） (2022-06-21T17:59:23Z)
• An explainability framework for cortical surface-based deep learning [110.83289076967895]
  我々は,皮質表面の深層学習のためのフレームワークを開発した。 まず,表面データに摂動に基づくアプローチを適用した。 我々の説明可能性フレームワークは,重要な特徴とその空間的位置を識別できるだけでなく,信頼性と有効性も示している。
  論文  参考訳（メタデータ） (2022-03-15T23:16:49Z)
• GAN-generated Faces Detection: A Survey and New Perspectives [48.596997330548]
  GAN(Generative Adversarial Networks)は、非常にリアルな顔画像を生成する。 対応するGAN顔検出技術は、このような偽の顔を調べ、暴露することのできる活発な開発が進められている。 我々は、GANモデルから生成または合成された顔画像を検出する方法に焦点を当てる。
  論文  参考訳（メタデータ） (2022-02-15T02:36:56Z)
• SynFace: Face Recognition with Synthetic Data [83.15838126703719]
  我々は、ID混在(IM)とドメイン混在(DM)を併用したSynFaceを考案し、パフォーマンスギャップを緩和する。 また、合成顔画像の系統的実験分析を行い、合成データを顔認識に効果的に活用する方法についての知見を提供する。
  論文  参考訳（メタデータ） (2021-08-18T03:41:54Z)
• Comparing object recognition in humans and deep convolutional neural networks -- An eye tracking study [7.222232547612573]
  深部畳み込みニューラルネットワーク(DCNN)と腹側視覚経路は、大きなアーキテクチャと機能的な類似点を共有している。 人間の観察者(N = 45)と3人のフィードフォワードDCNNの比較を,視線追跡とサリエンシマップを用いて示す。 vNetと呼ばれる生物学的に妥当な受容野サイズを持つDCNNは、標準的なResNetアーキテクチャと対照的な人間の視聴行動と高い一致を示している。
  論文  参考訳（メタデータ） (2021-07-30T23:32:05Z)
• Continuous Emotion Recognition with Spatiotemporal Convolutional Neural Networks [82.54695985117783]
  In-theld でキャプチャした長いビデオシーケンスを用いて,持続的な感情認識のための最先端のディープラーニングアーキテクチャの適合性を検討する。 我々は,2D-CNNと長期記憶ユニットを組み合わせた畳み込みリカレントニューラルネットワークと,2D-CNNモデルの微調整時の重みを膨らませて構築した膨らませた3D-CNNモデルを開発した。
  論文  参考訳（メタデータ） (2020-11-18T13:42:05Z)
• View-Invariant Gait Recognition with Attentive Recurrent Learning of Partial Representations [27.33579145744285]
  本稿では,まず,フレームレベルの畳み込み特徴から歩行畳み込みエネルギーマップ(GCEM)を抽出するネットワークを提案する。 次に、GCEMの分割されたビンから学ぶために双方向ニューラルネットワークを採用し、学習された部分的リカレント表現の関係を利用する。 提案手法は2つの大規模CASIA-BとOU-Mの歩行データセットで広範囲に検証されている。
  論文  参考訳（メタデータ） (2020-10-18T20:20:43Z)
• The FaceChannel: A Fast & Furious Deep Neural Network for Facial Expression Recognition [71.24825724518847]
  顔の表情の自動認識(FER)の最先端モデルは、非常に深いニューラルネットワークに基づいており、訓練には効果的だがかなり高価である。 私たちは、一般的なディープニューラルネットワークよりもはるかに少ないパラメータを持つ軽量ニューラルネットワークであるFaceChannelを形式化します。 我々は、私たちのモデルがFERの現在の最先端技術に匹敵するパフォーマンスを達成する方法を実証する。
  論文  参考訳（メタデータ） (2020-09-15T09:25:37Z)
• Seeing eye-to-eye? A comparison of object recognition performance in humans and deep convolutional neural networks under image manipulation [0.0]
  本研究では,ヒトとフィードフォワードニューラルネットワークの視覚コア物体認識性能の行動比較を目的とした。 精度分析の結果、人間はDCNNを全ての条件で上回るだけでなく、形状や色の変化に対する強い堅牢性も示している。
  論文  参考訳（メタデータ） (2020-07-13T10:26:30Z)

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。