Fugu-MT 論文翻訳(概要): Face Shape-Guided Deep Feature Alignment for Face Recognition Robust to Face Misalignment

論文の概要: Face Shape-Guided Deep Feature Alignment for Face Recognition Robust to Face Misalignment

arxiv url: http://arxiv.org/abs/2209.07220v1
Date: Thu, 15 Sep 2022 11:23:51 GMT
ステータス: 処理完了
システム内更新日: 2022-09-16 12:58:15.781495
Title: Face Shape-Guided Deep Feature Alignment for Face Recognition Robust to Face Misalignment
Title（参考訳）: 顔のずれに頑健な顔認識のための顔形状誘導深部特徴アライメント
Authors: Hyung-Il Kim, Kimin Yun, Yong Man Ro
Abstract要約: 顔認識(FR)はコンピュータビジョンとパターン認識社会において活発に研究されている。近年、ディープラーニングの進歩により、FR技術はベンチマークデータセットの大部分で高いパフォーマンスを示している。しかし、FRアルゴリズムが現実世界のシナリオに適用されると、その性能は未だに満足できないことが知られている。
参考スコア（独自算出の注目度）: 32.53066213465744
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: For the past decades, face recognition (FR) has been actively studied in computer vision and pattern recognition society. Recently, due to the advances in deep learning, the FR technology shows high performance for most of the benchmark datasets. However, when the FR algorithm is applied to a real-world scenario, the performance has been known to be still unsatisfactory. This is mainly attributed to the mismatch between training and testing sets. Among such mismatches, face misalignment between training and testing faces is one of the factors that hinder successful FR. To address this limitation, we propose a face shape-guided deep feature alignment framework for FR robust to the face misalignment. Based on a face shape prior (e.g., face keypoints), we train the proposed deep network by introducing alignment processes, i.e., pixel and feature alignments, between well-aligned and misaligned face images. Through the pixel alignment process that decodes the aggregated feature extracted from a face image and face shape prior, we add the auxiliary task to reconstruct the well-aligned face image. Since the aggregated features are linked to the face feature extraction network as a guide via the feature alignment process, we train the robust face feature to the face misalignment. Even if the face shape estimation is required in the training stage, the additional face alignment process, which is usually incorporated in the conventional FR pipeline, is not necessarily needed in the testing phase. Through the comparative experiments, we validate the effectiveness of the proposed method for the face misalignment with the FR datasets.
Abstract（参考訳）: 過去数十年間、顔認識(fr)はコンピュータビジョンとパターン認識社会で積極的に研究されてきた。近年、ディープラーニングの進歩により、FR技術はベンチマークデータセットの大部分で高いパフォーマンスを示している。しかし、FRアルゴリズムが現実世界のシナリオに適用されると、その性能は未だに満足できないことが知られている。これは主にトレーニングセットとテストセットのミスマッチに起因する。このようなミスマッチの中で、トレーニングとテストの顔の不一致は、FRの成功を妨げる要因の1つです。この制限に対処するため, FRの面配向に頑健な顔形状誘導型深部特徴アライメントフレームワークを提案する。顔の形状(例えば、顔のキーポイント)に基づいて、よく整列された顔画像と不整列された顔画像の間のアライメントプロセス、すなわちピクセルと特徴のアライメントを導入することで、提案するディープネットワークを訓練する。顔画像と顔形状から抽出した集合的特徴をデコードする画素アライメント処理により, 良好な顔画像の再構成に補助的なタスクを追加する。顔特徴抽出ネットワークに特徴アライメント処理を通したガイドとして集約された特徴をリンクするので,顔不一致に対してロバストな顔特徴を訓練する。トレーニング段階で顔形状推定が必要であったとしても、通常、frパイプラインに組み込まれている付加的な顔アライメント処理は、テスト段階では必ずしも必要ではない。比較実験により,提案手法の有効性をFRデータセットを用いて検証した。

関連論文リスト

Text-Guided Face Recognition using Multi-Granularity Cross-Modal Contrastive Learning [0.0]
テキスト誘導顔認識(TGFR)を導入し、自然言語記述の形で顔属性を統合することの影響を解析する。 TGFRは、特に低画質の画像において、既存の顔認識モデルよりも顕著に改善されている。
論文参考訳（メタデータ） (2023-12-14T22:04:22Z)
FlowFace++: Explicit Semantic Flow-supervised End-to-End Face Swapping [28.714484307143927]
FlowFace++は、明示的なセマンティックフローの監視とエンドツーエンドアーキテクチャを利用する、新しいフェイススワッピングフレームワークである。識別器は形状を意識しており、ターゲット面とソース面との間の形状の相違を明示的に計算する意味フロー誘導操作に依存している。
論文参考訳（メタデータ） (2023-06-22T06:18:29Z)
End-to-end Face-swapping via Adaptive Latent Representation Learning [12.364688530047786]
本稿では,高精細・高精細・高精細・高精細・高精細な顔交換のための新しいエンドツーエンド統合フレームワークを提案する。顔の知覚とブレンドをエンドツーエンドのトレーニングとテストのプロセスに統合することで、野生の顔に高いリアルな顔スワッピングを実現することができる。
論文参考訳（メタデータ） (2023-03-07T19:16:20Z)
Human Face Recognition from Part of a Facial Image based on Image Stitching [0.0]
現在の顔認識技術のほとんどは、認識される人物の完全な顔の存在を必要とする。そこで本研究では,欠損部を画像に示す部分のフリップで縫合する工程を採用した。ここで適用された顔認識アルゴリズムは固有顔と幾何学的手法である。
論文参考訳（メタデータ） (2022-03-10T19:31:57Z)
Face Deblurring Based on Separable Normalization and Adaptive Denormalization [25.506065804812522]
Face Deblurringは、より明示的な構造と顔の詳細で、ぼやけた入力画像から透明な顔イメージを復元することを目的としている。我々は、分離可能な正規化と適応的な非正規化に基づく効果的な顔分解ネットワークを設計する。 CelebAとCelebA-HQの両方のデータセットの実験結果から、提案した顔劣化ネットワークは、より詳細な顔構造を復元することが示された。
論文参考訳（メタデータ） (2021-12-18T03:42:23Z)
SphereFace Revived: Unifying Hyperspherical Face Recognition [57.07058009281208]
我々は,超球面顔認識において,大きな角マージンを理解するための統一的な枠組みを導入する。このフレームワークでは,SphereFace-Rという,トレーニングの安定性が大幅に向上した改良版を提案する。我々は、SphereFace-Rが最先端の手法よりも一貫して優れているか、競合していることを示す。
論文参考訳（メタデータ） (2021-09-12T17:07:54Z)
Learning Fair Face Representation With Progressive Cross Transformer [79.73754444296213]
フェアフェイス認識のためのプログレッシブクロストランス (PCT) 手法を提案する。我々は,PCTが最先端FR性能を達成しつつ,顔認識におけるバイアスを軽減することができることを示した。
論文参考訳（メタデータ） (2021-08-11T01:31:14Z)
Pro-UIGAN: Progressive Face Hallucination from Occluded Thumbnails [53.080403912727604]
Inpainting Generative Adversarial Network, Pro-UIGANを提案する。顔の形状を利用して、隠された小さな顔の補充とアップサンプリング(8*)を行う。 Pro-UIGANは、HR面を視覚的に満足させ、下流タスクにおいて優れたパフォーマンスを達成する。
論文参考訳（メタデータ） (2021-08-02T02:29:24Z)
Learning to Aggregate and Personalize 3D Face from In-the-Wild Photo Collection [65.92058628082322]
非パラメトリックフェースモデリングは形状仮定なしで画像からのみ3次元フェースを再構成することを目的としている。本稿では,教師なしのロバストな3次元顔モデリングのための学習・アグリゲート・パーソナライズ・フレームワークを提案する。
論文参考訳（メタデータ） (2021-06-15T03:10:17Z)
Face Hallucination with Finishing Touches [65.14864257585835]
本稿では,超解像とフロンティア化を同時に行うVivid Face Hallucination Generative Adversarial Network (VividGAN)を提案する。 VividGANは粗いレベルと細かなレベルのFace Hallucination Networks (FHnet)と、粗いDとファインDの2つの識別器で構成されている。実験により、VvidGANは、フォトリアリスティックな正面HR面を達成し、下流タスクにおいて優れた性能を達成できることが示された。
論文参考訳（メタデータ） (2020-02-09T07:33:48Z)
Exploiting Semantics for Face Image Deblurring [121.44928934662063]
本稿では,深層畳み込みニューラルネットワークによる意味的手がかりを利用して,効果的かつ効率的な顔分解アルゴリズムを提案する。顔のセマンティックラベルを入力先として組み込んで,顔の局所構造を正規化するための適応的構造損失を提案する。提案手法は、より正確な顔の特徴と細部を持つシャープ画像を復元する。
論文参考訳（メタデータ） (2020-01-19T13:06:27Z)

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。