論文の概要: Modeling biological face recognition with deep convolutional neural
networks
- arxiv url: http://arxiv.org/abs/2208.06681v3
- Date: Sat, 19 Aug 2023 07:07:10 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-23 02:56:47.025588
- 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: ディープ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。
近年,この成果を生体顔認証研究に移管する試みが始まっている。
本稿では,生物認識のモデル化にDCNNを用いた最初の研究について概説する。
- 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 and recent efforts have started to
transfer this achievement to research on biological face recognition. In this
regard, face detection can be investigated by comparing face-selective
biological neurons and brain areas to artificial neurons and model layers.
Similarly, face identification can be examined by comparing in vivo and in
silico multidimensional "face spaces". In this review, we summarize the first
studies that use DCNNs to model biological face recognition. On the basis of a
broad spectrum of behavioral and computational evidence, we conclude that DCNNs
are useful models that closely resemble the general hierarchical organization
of face recognition in the ventral visual pathway and the core face network. In
two exemplary spotlights, we emphasize the unique scientific contributions of
these models. First, studies on face detection in DCNNs indicate that
elementary face selectivity emerges automatically through feedforward
processing even in the absence of visual experience. Second, studies on face
identification in DCNNs suggest that identity-specific experience and
generative mechanisms facilitate this particular challenge. Taken together, as
this novel modeling approach enables close control of predisposition (i.e.,
architecture) and experience (i.e., training data), it may be suited to inform
long-standing 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。
彼らの顕著な成功は、視覚科学が新たな基盤を突破する助けとなり、最近の研究は、この成果を生物学的顔認識の研究に移し始めている。
この点において、顔選択型生体ニューロンと脳領域と人工ニューロンとモデル層を比較して顔検出を検討することができる。
同様に、顔の識別は、生体内とシリコ多次元の「顔空間」で比較することができる。
本稿では,生物認識のモデル化にDCNNを用いた最初の研究について概説する。
行動的および計算的証拠の幅広いスペクトルに基づいて,DCNNは,腹側視覚路とコアフェースネットワークにおける顔認識の一般的な階層構造によく似た有用なモデルであると結論付けた。
2つの模範的なスポットライトで、これらのモデルのユニークな科学的貢献を強調します。
第一に,dcnnにおける顔検出に関する研究は,視覚経験がなくてもフィードフォワード処理により一次顔選択性が自動的に出現することを示している。
第二に、DCNNにおける顔の識別に関する研究は、アイデンティティ固有の経験と生成メカニズムが、この特定の課題を促進することを示唆している。
この新しいモデリングアプローチは、事前配置(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、生物学的顔認識の基盤に関する長年にわたる議論を知らせるのに適しているかもしれない。
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。