論文の概要: ScaleFace: Uncertainty-aware Deep Metric Learning
- arxiv url: http://arxiv.org/abs/2209.01880v1
- Date: Mon, 5 Sep 2022 10:27:16 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-07 12:19:52.339032
- Title: ScaleFace: Uncertainty-aware Deep Metric Learning
- Title（参考訳）: ScaleFace: 不確実性を意識した深層学習
- Authors: Roman Kail, Kirill Fedyanin, Nikita Muravev, Alexey Zaytsev and Maxim
Panov
- Abstract要約: 計算コストをほとんど加えずに不確実性を直接推定できる深度計量学習手法を提案する。
textitScaleFaceアルゴリズムは、埋め込み空間の類似性を変更するトレーニング可能なスケール値を使用する。
本研究では,他の不確実性を認識した顔認識手法と比較して,ScaleFaceの優れた性能を示す顔認識タスクに関する総合的な実験を行う。
- 参考スコア（独自算出の注目度）: 2.7383076864024636
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The performance of modern deep learning-based systems dramatically depends on
the quality of input objects. For example, face recognition quality would be
lower for blurry or corrupted inputs. However, it is hard to predict the
influence of input quality on the resulting accuracy in more complex scenarios.
We propose an approach for deep metric learning that allows direct estimation
of the uncertainty with almost no additional computational cost. The developed
\textit{ScaleFace} algorithm uses trainable scale values that modify
similarities in the space of embeddings. These input-dependent scale values
represent a measure of confidence in the recognition result, thus allowing
uncertainty estimation. We provide comprehensive experiments on face
recognition tasks that show the superior performance of ScaleFace compared to
other uncertainty-aware face recognition approaches. We also extend the results
to the task of text-to-image retrieval showing that the proposed approach beats
the competitors with significant margin.
- Abstract（参考訳）: 現代のディープラーニングベースのシステムの性能は、入力オブジェクトの品質に依存する。
例えば、顔の認識品質はぼやけや劣化した入力に対して低い。
しかし,より複雑なシナリオにおいて,入力品質が結果の精度に与える影響を予測することは困難である。
計算コストをほとんど増やさずに不確実性を直接推定できる深層メトリック学習の手法を提案する。
開発された \textit{ScaleFace} アルゴリズムは、埋め込み空間の類似性を変更するトレーニング可能なスケール値を使用する。
これらの入力依存スケール値は、認識結果に対する信頼度を表し、不確実性推定を可能にする。
本稿では,他の不確実性認識手法と比較して,スケールフェイスの優れた性能を示す顔認識タスクに関する包括的実験を行う。
また,提案手法が競争相手を打ち負かしていることを示すテキストから画像への検索のタスクにも結果を広げた。
関連論文リスト
- Gallery-Aware Uncertainty Estimation For Open-Set Face Recognition [2.6862667248315386]
オープンセットの顔認識では、画像の分類を試みるが、それは未知の場合もある。
ここでは、確率的埋め込みの低分散は、低い誤差確率を含まない。
オープンセット認識システムにおける2つの曖昧さの源泉を認識する手法を提案する。
論文 参考訳（メタデータ） (2024-08-26T12:44:17Z) - Cost-Sensitive Uncertainty-Based Failure Recognition for Object Detection [1.8990839669542954]
本稿では,ユーザ定義予算に合わせて,オブジェクト検出のためのコスト感受性フレームワークを提案する。
性能劣化を防ぐために最低限の閾値設定要件を導出する。
エラー認識率を最大化するために、しきい値処理の自動化と最適化を行う。
論文 参考訳（メタデータ） (2024-04-26T14:03:55Z) - 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) - dugMatting: Decomposed-Uncertainty-Guided Matting [83.71273621169404]
そこで本稿では, 明確に分解された不確かさを探索し, 効率よく効率よく改善する, 分解不確実性誘導型マッチングアルゴリズムを提案する。
提案したマッチングフレームワークは,シンプルで効率的なラベリングを用いて対話領域を決定する必要性を緩和する。
論文 参考訳（メタデータ） (2023-06-02T11:19:50Z) - Analysis of Recent Trends in Face Recognition Systems [0.0]
クラス間の類似性とクラス内変異により、顔認識システムは、それぞれ偽マッチングと偽非マッチエラーを生成する。
近年の研究では、抽出した特徴の堅牢性向上と、認識精度を高めるための前処理アルゴリズムに焦点が当てられている。
論文 参考訳（メタデータ） (2023-04-23T18:55:45Z) - Fingerprint Image-Quality Estimation and its Application to
Multialgorithm Verification [56.128200319868526]
信号品質の認識は、認識率を増大させ、マルチセンサー環境における決定を著しく支援することが見出されている。
本稿では, 指紋画像の向きテンソルを用いて, ノイズ, 構造不足, ぼやけなどの信号障害を, 対称性記述子の助けを借りて定量化する。
定量的な結果は、あらゆる面において品質意識を優先し、認識率を高め、異なるスキルを持つ専門家を効果的かつ効果的に融合させる。
論文 参考訳（メタデータ） (2022-11-24T12:17:49Z) - Robust Depth Completion with Uncertainty-Driven Loss Functions [60.9237639890582]
本研究では,不確実性による損失関数を導入し,深度補修の堅牢性を改善し,深度補修の不確実性に対処する。
提案手法は,KITTI深度評価ベンチマークでテストされ,MAE, IMAE, IRMSEの計測値を用いて最先端のロバスト性性能を達成した。
論文 参考訳（メタデータ） (2021-12-15T05:22:34Z) - QMagFace: Simple and Accurate Quality-Aware Face Recognition [5.5284501467256515]
本稿では,QMag-Face(QMag-Face,QMag-Face,QMag-Face,QMag-Face,QMag-Face,QMag-Face,QMag-Face,QMag-Face)を提案する。
いくつかの顔認識データベースとベンチマークで実施された実験は、導入された品質認識が認識性能を一貫した改善をもたらすことを示した。
論文 参考訳（メタデータ） (2021-11-26T12:44:54Z) - Harnessing Unrecognizable Faces for Face Recognition [87.80037162457427]
本稿では,顔画像の認識可能性の尺度を提案し,主に認識可能なアイデンティティを用いて訓練されたディープニューラルネットワークによって実現された。
FAR=1e-5において,認識可能性を考慮した場合,単画像認識の誤り率を58%減少させることを示す。
論文 参考訳（メタデータ） (2021-06-08T05:25:03Z) - 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) - SER-FIQ: Unsupervised Estimation of Face Image Quality Based on
Stochastic Embedding Robustness [15.431761867166]
任意の顔認識モデルに基づいて顔の質を測定する新しい概念を提案する。
提案手法を,学界と産業界からの6つの最先端アプローチと比較した。
論文 参考訳（メタデータ） (2020-03-20T16:50:30Z)
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。