論文の概要: When Age-Invariant Face Recognition Meets Face Age Synthesis: A Multi-Task Learning Framework and A New Benchmark

• arxiv url: http://arxiv.org/abs/2210.09835v1
• Date: Mon, 17 Oct 2022 07:04:19 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-19 15:06:00.981384
• Title: When Age-Invariant Face Recognition Meets Face Age Synthesis: A Multi-Task Learning Framework and A New Benchmark
• Title（参考訳）: 年齢変化型顔認識が顔年齢合成を満たす場合--マルチタスク学習フレームワークと新しいベンチマーク
• Authors: Zhizhong Huang and Junping Zhang and Hongming Shan
• Abstract要約: MTLFaceは、モデル解釈のための表情合成を行いながら、年齢不変の識別関連表現を顔認識のために学習することができる。 我々は、年齢と性別のアノテーションを備えた大規模な顔データセットと、長寿児の追跡に特化して設計された新しいベンチマークをリリースする。
• 参考スコア（独自算出の注目度）: 45.31997043789471
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: To minimize the impact of age variation on face recognition, age-invariant face recognition (AIFR) extracts identity-related discriminative features by minimizing the correlation between identity- and age-related features while face age synthesis (FAS) eliminates age variation by converting the faces in different age groups to the same group. However, AIFR lacks visual results for model interpretation and FAS compromises downstream recognition due to artifacts. Therefore, we propose a unified, multi-task framework to jointly handle these two tasks, termed MTLFace, which can learn the age-invariant identity-related representation for face recognition while achieving pleasing face synthesis for model interpretation. Specifically, we propose an attention-based feature decomposition to decompose the mixed face features into two uncorrelated components -- identity- and age-related features -- in a spatially constrained way. Unlike the conventional one-hot encoding that achieves group-level FAS, we propose a novel identity conditional module to achieve identity-level FAS, which can improve the age smoothness of synthesized faces through a weight-sharing strategy. Benefiting from the proposed multi-task framework, we then leverage those high-quality synthesized faces from FAS to further boost AIFR via a novel selective fine-tuning strategy. Furthermore, to advance both AIFR and FAS, we collect and release a large cross-age face dataset with age and gender annotations, and a new benchmark specifically designed for tracing long-missing children. Extensive experimental results on five benchmark cross-age datasets demonstrate that MTLFace yields superior performance for both AIFR and FAS. We further validate MTLFace on two popular general face recognition datasets, obtaining competitive performance on face recognition in the wild. Code is available at http://hzzone.github.io/MTLFace.
• Abstract（参考訳）: 顔認識における年齢変動の影響を最小限に抑えるため、年齢不変顔認識(AIFR)は、同一性関連特徴と年齢関連特徴との相関を最小化し、識別関連識別特徴を抽出する一方、顔年齢合成(FAS)は、異なる年齢グループ内の顔を同一グループに変換することにより年齢変動を解消する。 しかし、AIFRはモデル解釈のための視覚的な結果を欠き、FASはアーチファクトによる下流認識を妥協する。 そこで本稿では,MTLFaceと呼ばれる2つのタスクを協調的に処理する統合型マルチタスクフレームワークを提案する。 具体的には,顔の特徴を空間的に制約された2つの非相関成分—アイデンティティと年齢関連特徴—に分解するための注意に基づく特徴分解を提案する。 グループレベルのFASを実現する従来のワンホット符号化とは異なり、重み付け戦略により合成顔の年齢スムーズ性を向上するIDレベルのFASを実現するための新しいID条件モジュールを提案する。 提案するマルチタスクフレームワークの恩恵を受け、fasの高品質な合成顔を利用して、新しい選択的微調整戦略によりaifrをさらに高めます。 さらに、AIFRとFASの両方を前進させるために、年齢と性別のアノテーションを備えた大規模な顔データセットを収集し、リリースします。 5つのベンチマーククロスエイジデータセットの大規模な実験結果から、MTLFaceはAIFRとFASの両方で優れたパフォーマンスが得られることが示された。 さらに2つの一般的な顔認識データセット上でMTLFaceを検証し、野生の顔認識における競合性能を得る。 コードはhttp://hzzone.github.io/mtlfaceで入手できる。

関連論文リスト

• ID$^3$: Identity-Preserving-yet-Diversified Diffusion Models for Synthetic Face Recognition [60.15830516741776]
  合成顔認識(SFR)は、実際の顔データの分布を模倣するデータセットを生成することを目的としている。 拡散燃料SFRモデルであるtextID3$を紹介します。 textID3$はID保存損失を利用して、多様だがアイデンティティに一貫性のある顔の外観を生成する。
  論文  参考訳（メタデータ） (2024-09-26T06:46:40Z)
• Second Edition FRCSyn Challenge at CVPR 2024: Face Recognition Challenge in the Era of Synthetic Data [104.45155847778584]
  本稿では,合成データ時代における第2回顔認識チャレンジの概要について述べる。 FRCSynは、現在の技術的制限に対処するために、顔認識における合成データの使用について調査することを目的としている。
  論文  参考訳（メタデータ） (2024-04-16T08:15:10Z)
• When Age-Invariant Face Recognition Meets Face Age Synthesis: A Multi-Task Learning Framework [20.579282497730944]
  MTLFaceは、顔合成を楽しみながら、年齢不変のアイデンティティ関連表現を学習することができる。 グループレベルのfasを実現する従来のone-hotエンコーディングとは対照的に,アイデンティティレベルfasを実現するための新しいid条件モジュールを提案する。 5つのベンチマーククロスエイジデータセットに対する大規模な実験は、提案したMTLFaceの優れた性能を示す。
  論文  参考訳（メタデータ） (2021-03-02T07:03:27Z)
• Continuous Face Aging Generative Adversarial Networks [11.75204350455584]
  顔の老化は、入力画像の顔を指定された年齢に翻訳することを目的としたタスクです。 それまでの方法は、それぞれが10年からなる離散年齢群を生成できるだけに限られていた。 CFA-GAN (Continuous face aging generative adversarial Network) を提案する。
  論文  参考訳（メタデータ） (2021-02-26T06:22:25Z)
• PFA-GAN: Progressive Face Aging with Generative Adversarial Network [19.45760984401544]
  本論文では,PFA-GANを基盤とした新しい顔老化フレームワークを提案する。 このフレームワークは、蓄積されたアーティファクトと曖昧さを取り除くために、エンドツーエンドでトレーニングすることができる。 実験により,既存の (c) GANs 法よりも優れた性能を示した。
  論文  参考訳（メタデータ） (2020-12-07T05:45:13Z)
• Age Gap Reducer-GAN for Recognizing Age-Separated Faces [72.26969872180841]
  本稿では,年齢変化に伴う顔と時間変化をマッチングする新しいアルゴリズムを提案する。 提案手法は,顔の年齢推定と年齢別顔の検証を組み合わせた統合フレームワークである。
  論文  参考訳（メタデータ） (2020-11-11T16:43:32Z)
• Enhancing Facial Data Diversity with Style-based Face Aging [59.984134070735934]
  特に、顔データセットは、通常、性別、年齢、人種などの属性の観点からバイアスされる。 本稿では, 細粒度の老化パターンをキャプチャするデータ拡張のための, 生成スタイルに基づく新しいアーキテクチャを提案する。 提案手法は, 年齢移動のための最先端アルゴリズムよりも優れていることを示す。
  論文  参考訳（メタデータ） (2020-06-06T21:53:44Z)
• DotFAN: A Domain-transferred Face Augmentation Network for Pose and Illumination Invariant Face Recognition [94.96686189033869]
  本稿では,3次元モデルを用いたドメイン転送型顔強調ネットワーク(DotFAN)を提案する。 DotFANは、他のドメインから収集された既存のリッチフェイスデータセットから抽出された知識に基づいて、入力顔の一連の変種を生成することができる。 実験によると、DotFANは、クラス内の多様性を改善するために、小さな顔データセットを増やすのに有益である。
  論文  参考訳（メタデータ） (2020-02-23T08:16:34Z)

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。