論文の概要: How to Boost Face Recognition with StyleGAN?

• arxiv url: http://arxiv.org/abs/2210.10090v2
• Date: Fri, 28 Jul 2023 18:18:39 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-02 00:15:01.574271
• Title: How to Boost Face Recognition with StyleGAN?
• Title（参考訳）: StyleGANで顔認識を高めるには?
• Authors: Artem Sevastopolsky, Yury Malkov, Nikita Durasov, Luisa Verdoliva, Matthias Nie{\ss}ner
• Abstract要約: 最先端の顔認識システムは大量のラベル付きトレーニングデータを必要とする。 業界における自己監督的革命は、関連する技術が顔認識に適応する研究を動機付けている。 StyleGANのための微調整pSpエンコーダに基づく簡単なアプローチにより、最先端の顔認識を改善することができることを示す。
• 参考スコア（独自算出の注目度）: 13.067766076889995
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: State-of-the-art face recognition systems require vast amounts of labeled training data. Given the priority of privacy in face recognition applications, the data is limited to celebrity web crawls, which have issues such as limited numbers of identities. On the other hand, self-supervised revolution in the industry motivates research on the adaptation of related techniques to facial recognition. One of the most popular practical tricks is to augment the dataset by the samples drawn from generative models while preserving the identity. We show that a simple approach based on fine-tuning pSp encoder for StyleGAN allows us to improve upon the state-of-the-art facial recognition and performs better compared to training on synthetic face identities. We also collect large-scale unlabeled datasets with controllable ethnic constitution -- AfricanFaceSet-5M (5 million images of different people) and AsianFaceSet-3M (3 million images of different people) -- and we show that pretraining on each of them improves recognition of the respective ethnicities (as well as others), while combining all unlabeled datasets results in the biggest performance increase. Our self-supervised strategy is the most useful with limited amounts of labeled training data, which can be beneficial for more tailored face recognition tasks and when facing privacy concerns. Evaluation is based on a standard RFW dataset and a new large-scale RB-WebFace benchmark. The code and data are made publicly available at https://github.com/seva100/stylegan-for-facerec.
• Abstract（参考訳）: 最先端の顔認識システムは大量のラベル付きトレーニングデータを必要とする。 顔認識アプリケーションにおけるプライバシの優先性を考えると、データはセレブのwebクロールに限定されている。 一方で、業界における自己監督型革命は、関連する技術が顔認識に適応する研究を動機付けている。 最も一般的な実践的手法の1つは、アイデンティティを維持しながら生成モデルから抽出したサンプルによるデータセットの強化である。 StyleGANのための微調整pSpエンコーダに基づく簡単なアプローチにより、最先端の顔認識を改善することができ、合成顔のアイデンティティのトレーニングよりも優れた性能が得られることを示す。 また,制御可能な民族構成 -africanfaceset-5m (異民族500万画像) と asianfaceset-3m (異民族300万画像) - を持つ大規模無ラベルデータセットを収集し,各民族の事前学習がそれぞれの民族認識(他と同様に)を改善し,すべてのラベル付きデータセットを組み合わせることで,最大のパフォーマンス向上をもたらすことを示した。 私たちの自己管理戦略は、限られたラベル付きトレーニングデータでもっとも有用であり、よりカスタマイズされた顔認識タスクやプライバシー上の懸念に直面した場合に有用です。 評価は標準のRFWデータセットと新しい大規模RB-WebFaceベンチマークに基づいている。 コードとデータはhttps://github.com/seva100/stylegan-for-facerecで公開されている。

関連論文リスト

• SASMU: boost the performance of generalized recognition model using synthetic face dataset [5.596292759115785]
  本稿では,合成データセットを用いた顔認識のための,シンプルで斬新で効果的な手法であるSASMUを提案する。 提案手法は空間データ拡張(SA)とスペクトル混合(SMU)からなる。
  論文  参考訳（メタデータ） (2023-06-02T11:11:00Z)
• Attribute-preserving Face Dataset Anonymization via Latent Code Optimization [64.4569739006591]
  本稿では,事前学習したGANの潜時空間における画像の潜時表現を直接最適化するタスク非依存匿名化手法を提案する。 我々は一連の実験を通して、我々の手法が画像の同一性を匿名化できる一方で、顔の属性をより保存できることを実証した。
  論文  参考訳（メタデータ） (2023-03-20T17:34:05Z)
• Unsupervised Face Recognition using Unlabeled Synthetic Data [16.494722503803196]
  ラベルなし合成データ(U SynthFace)に基づく教師なし顔認識モデルを提案する。 提案したU SynthFaceは、同一の合成インスタンスの2つの拡張画像の類似性を最大化することを学ぶ。 ラベルなし合成データを用いた比較的高い認識精度を実現するためのU SynthFaceの有効性を実証する。
  論文  参考訳（メタデータ） (2022-11-14T14:05:19Z)
• SFace: Privacy-friendly and Accurate Face Recognition using Synthetic Data [9.249824128880707]
  本稿では,プライバシフレンドリーな合成顔データセットを用いて顔認識モデルを訓練し,その実現可能性について検討する。 このようなデータを用いて顔認識モデルを訓練する際のプライバシー面に対処するため、合成データセットと生成モデルを訓練するために使用される元の認証データセットとの同一性に関する広範な評価実験を行った。 また,プライバシフレンドリーなデータセットであるSFace上で,3つの異なる学習戦略,多クラス分類,ラベルフリーな知識伝達,多クラス分類と知識伝達の複合学習を用いて,顔認識を訓練することを提案する。
  論文  参考訳（メタデータ） (2022-06-21T16:42:04Z)
• Training face verification models from generated face identity data [2.557825816851682]
  我々は、顔認識に適用されるように、データセットのプライバシー保護を高めるアプローチを検討する。 我々は、StyleGAN生成逆数ネットワーク上に構築し、2つの異なるサブコードを組み合わせた潜時符号でフィードする。 少量のプライベートデータを追加することで、モデルの性能が大幅に向上することがわかった。
  論文  参考訳（メタデータ） (2021-08-02T12:00:01Z)
• FedFace: Collaborative Learning of Face Recognition Model [66.84737075622421]
  FedFaceは顔認識モデルの協調学習のためのフレームワークである。 各クライアントに格納された顔画像が、他のクライアントや中央ホストと共有されない、正確で汎用的な顔認識モデルを学ぶ。 コードとトレーニング済みモデルは公開される予定です。
  論文  参考訳（メタデータ） (2021-04-07T09:25:32Z)
• 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)
• Masked Face Recognition Dataset and Application [28.2082082956263]
  本研究では,MFDD(Masked Face Detection dataset),RMFRD(Real-world Masked Face Recognition dataset),SMFRD(Simulated Masked Face Recognition dataset)の3種類のマスク付き顔データセットを提案する。 開発したマルチグラニュラリティマスク顔認証モデルは,業界が報告した結果を上回る95%の精度を実現している。
  論文  参考訳（メタデータ） (2020-03-20T04:15:19Z)
• Boosting Unconstrained Face Recognition with Auxiliary Unlabeled Data [59.85605718477639]
  本稿では,ラベルのない顔を用いて一般化可能な顔表現を学習する手法を提案する。 制約のないデータセットに対する実験結果から、十分な多様性を持つ少量のラベル付きデータが認識性能を向上させる可能性が示唆された。
  論文  参考訳（メタデータ） (2020-03-17T20:58:56Z)
• Towards Face Encryption by Generating Adversarial Identity Masks [53.82211571716117]
  敵の識別マスクを生成するためのターゲットID保護反復法(TIP-IM)を提案する。 TIP-IMは、様々な最先端の顔認識モデルに対して95%以上の保護成功率を提供する。
  論文  参考訳（メタデータ） (2020-03-15T12:45:10Z)
• Investigating the Impact of Inclusion in Face Recognition Training Data on Individual Face Identification [93.5538147928669]
  最新のオープンソースの顔認識システムであるArcFaceを、100万枚以上の散らばった画像を用いた大規模な顔識別実験で監査する。 モデルのトレーニングデータには79.71%、存在しない人には75.73%のランク1顔認証精度がある。
  論文  参考訳（メタデータ） (2020-01-09T15:50:28Z)

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。