論文の概要: Cluster-level pseudo-labelling for source-free cross-domain facial
expression recognition
- arxiv url: http://arxiv.org/abs/2210.05246v1
- Date: Tue, 11 Oct 2022 08:24:50 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-12 14:20:12.055542
- Title: Cluster-level pseudo-labelling for source-free cross-domain facial
expression recognition
- Title(参考訳): ソースレスクロスドメイン顔認識のためのクラスタレベルの擬似ラベリング
- Authors: Alessandro Conti, Paolo Rota, Yiming Wang and Elisa Ricci
- Abstract要約: 表情認識のためのSFUDA法を提案する。
本手法は,自己教師付き事前学習を利用して,対象データから優れた特徴表現を学習する。
提案手法の有効性を4つの適応方式で検証し,FERに適用した場合,既存のSFUDA法より一貫して優れていることを示す。
- 参考スコア(独自算出の注目度): 94.56304526014875
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Automatically understanding emotions from visual data is a fundamental task
for human behaviour understanding. While models devised for Facial Expression
Recognition (FER) have demonstrated excellent performances on many datasets,
they often suffer from severe performance degradation when trained and tested
on different datasets due to domain shift. In addition, as face images are
considered highly sensitive data, the accessibility to large-scale datasets for
model training is often denied. In this work, we tackle the above-mentioned
problems by proposing the first Source-Free Unsupervised Domain Adaptation
(SFUDA) method for FER. Our method exploits self-supervised pretraining to
learn good feature representations from the target data and proposes a novel
and robust cluster-level pseudo-labelling strategy that accounts for in-cluster
statistics. We validate the effectiveness of our method in four adaptation
setups, proving that it consistently outperforms existing SFUDA methods when
applied to FER, and is on par with methods addressing FER in the UDA setting.
- Abstract(参考訳): 視覚データから感情を自動的に理解することは、人間の行動を理解するための基本的なタスクである。
Facial Expression Recognition (FER)のために考案されたモデルは、多くのデータセットで優れたパフォーマンスを示してきたが、ドメインシフトによって異なるデータセットでトレーニングされテストされた場合、しばしば深刻なパフォーマンス劣化に悩まされる。
さらに,顔画像は高感度なデータと見なされるため,大規模データセットのモデルトレーニングへのアクセシビリティは否定されることが多い。
本研究では,fer に対する最初の Source-Free Unsupervised Domain Adaptation (SFUDA) 手法を提案する。
本手法は,自己教師付き事前学習を活用し,対象データから優れた特徴表現を学習し,クラスタ内統計量を考慮した新しい頑健なクラスタレベルの擬似ラベル戦略を提案する。
提案手法の有効性を4つの適応方式で検証し,既存のSFUDA法をFERに適用した場合に常に上回っており,UDA設定におけるFER法と同等であることを示す。
関連論文リスト
- Domain Generalization for Activity Recognition via Adaptive Feature
Fusion [9.458837222079612]
本稿では,emphAdaptive Feature Fusion for Activity Recognition (AFFAR)を提案する。
AFFARは、モデルの一般化性能を改善するために、ドメイン不変表現とドメイン固有表現を融合することを学ぶ。
AFARを実際の応用、すなわち子どもの注意欠陥性高活動障害(ADHD)の診断に適用する。
論文 参考訳(メタデータ) (2022-07-21T02:14:09Z) - Generalizable Method for Face Anti-Spoofing with Semi-Supervised
Learning [0.0]
顔の偽造防止は生体認証システムにおける高いセキュリティ要件のために多くの注目を集めている。
フェースバイオメトリックを商用ハードウェアに持ち込むことは、フェイクログインセッションを検出するための信頼性の高い方法の開発に大きく依存するようになった。
現在のCNNベースの手法は、トレーニング対象のドメインでよく機能するが、以前は見つからなかったデータセットでは一般化が不十分であることが多い。
論文 参考訳(メタデータ) (2022-06-13T22:44:14Z) - Deep face recognition with clustering based domain adaptation [57.29464116557734]
そこで本研究では,ターゲットドメインとソースがクラスを共有しない顔認識タスクを対象とした,クラスタリングに基づく新しいドメイン適応手法を提案する。
本手法は,特徴領域をグローバルに整列させ,その一方で,対象クラスタを局所的に識別することで,識別対象特徴を効果的に学習する。
論文 参考訳(メタデータ) (2022-05-27T12:29:11Z) - Feature Diversity Learning with Sample Dropout for Unsupervised Domain
Adaptive Person Re-identification [0.0]
本稿では,ノイズの多い擬似ラベルを限定することで,より優れた一般化能力を持つ特徴表現を学習する手法を提案する。
我々は,古典的な相互学習アーキテクチャの下で,FDL(Feature Diversity Learning)と呼ばれる新しい手法を提案する。
実験の結果,提案するFDL-SDは,複数のベンチマークデータセット上での最先端性能を実現することがわかった。
論文 参考訳(メタデータ) (2022-01-25T10:10:48Z) - DEALIO: Data-Efficient Adversarial Learning for Imitation from
Observation [57.358212277226315]
観察ifoからの模倣学習において、学習エージェントは、実演者の生成した制御信号にアクセスせずに、実演行動の観察のみを用いて実演エージェントを模倣しようとする。
近年、逆模倣学習に基づく手法は、ifO問題に対する最先端のパフォーマンスをもたらすが、データ非効率でモデルなしの強化学習アルゴリズムに依存するため、サンプルの複雑さに悩まされることが多い。
この問題は、サンプルの収集が時間、エネルギー、およびリスクの面で高いコストを被る可能性がある現実世界の設定に展開することは非現実的です。
よりデータ効率の高いifOアルゴリズムを提案する。
論文 参考訳(メタデータ) (2021-03-31T23:46:32Z) - TraND: Transferable Neighborhood Discovery for Unsupervised Cross-domain
Gait Recognition [77.77786072373942]
本稿では、教師なしクロスドメイン歩行認識のための領域ギャップを橋渡しするTransferable Neighborhood Discovery (TraND) フレームワークを提案する。
我々は、潜在空間におけるラベルなしサンプルの自信ある近傍を自動的に発見するために、エンドツーエンドのトレーニング可能なアプローチを設計する。
提案手法は,CASIA-BとOU-LPの2つの公開データセットに対して,最先端の結果を得る。
論文 参考訳(メタデータ) (2021-02-09T03:07:07Z) - Multi-Domain Adversarial Feature Generalization for Person
Re-Identification [52.835955258959785]
マルチデータセット特徴一般化ネットワーク(MMFA-AAE)を提案する。
複数のラベル付きデータセットから普遍的なドメイン不変の特徴表現を学習し、それを見えないカメラシステムに一般化することができる。
また、最先端の教師付き手法や教師なしのドメイン適応手法を大きなマージンで超えている。
論文 参考訳(メタデータ) (2020-11-25T08:03:15Z) - Omni-supervised Facial Expression Recognition via Distilled Data [120.11782405714234]
ネットワークトレーニングにおいて,信頼度の高いサンプルを多量のラベルのないデータで活用するためのオムニ教師付き学習を提案する。
我々は,新しいデータセットが学習したFERモデルの能力を大幅に向上させることができることを実験的に検証した。
そこで本研究では,生成したデータセットを複数のクラスワイド画像に圧縮するために,データセット蒸留戦略を適用することを提案する。
論文 参考訳(メタデータ) (2020-05-18T09:36:51Z)
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。