論文の概要: Explainable Model-Agnostic Similarity and Confidence in Face
Verification
- arxiv url: http://arxiv.org/abs/2211.13735v1
- Date: Thu, 24 Nov 2022 17:52:47 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-28 16:45:12.252178
- Title: Explainable Model-Agnostic Similarity and Confidence in Face
Verification
- Title（参考訳）: 説明可能なモデル非依存な類似性と顔認証の信頼性
- Authors: Martin Knoche, Torben Teepe, Stefan H\"ormann, Gerhard Rigoll
- Abstract要約: 本研究は,顔認識システムの説明に焦点をあてる。
まず、2つの入力画像間の顔の特徴距離に基づいて、これらのシステムに対する信頼度スコアを導入する。
第二に、より意味のある予測を得るための新しい可視化手法を確立する。
第三に、いくつかの最先端の顔認証データセットに対する信頼度スコアと説明マップを算出する。
- 参考スコア（独自算出の注目度）: 5.257115841810258
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recently, face recognition systems have demonstrated remarkable performances
and thus gained a vital role in our daily life. They already surpass human face
verification accountability in many scenarios. However, they lack explanations
for their predictions. Compared to human operators, typical face recognition
network system generate only binary decisions without further explanation and
insights into those decisions. This work focuses on explanations for face
recognition systems, vital for developers and operators. First, we introduce a
confidence score for those systems based on facial feature distances between
two input images and the distribution of distances across a dataset. Secondly,
we establish a novel visualization approach to obtain more meaningful
predictions from a face recognition system, which maps the distance deviation
based on a systematic occlusion of images. The result is blended with the
original images and highlights similar and dissimilar facial regions. Lastly,
we calculate confidence scores and explanation maps for several
state-of-the-art face verification datasets and release the results on a web
platform. We optimize the platform for a user-friendly interaction and hope to
further improve the understanding of machine learning decisions. The source
code is available on GitHub, and the web platform is publicly available at
http://explainable-face-verification.ey.r.appspot.com.
- Abstract（参考訳）: 近年,顔認識システムは目覚ましい性能を示し,日常生活において重要な役割を担っている。
彼らは多くのシナリオで、すでに人間の顔認証責任を超えています。
しかし、予測には説明が欠けている。
人間のオペレータと比較して、典型的な顔認識ネットワークシステムは、これらの決定に関するさらなる説明や洞察なしにバイナリ決定のみを生成する。
この研究は、開発者やオペレーターにとって不可欠な顔認識システムの説明に焦点を当てている。
まず、2つの入力画像間の顔の特徴距離とデータセット間の距離分布に基づいて、これらのシステムに対する信頼度スコアを導入する。
次に,画像の系統的オクルージョンに基づいて距離偏差をマッピングする顔認識システムから,より有意義な予測を得るための新しい可視化手法を提案する。
その結果、オリジナル画像とブレンドされ、類似した顔領域が強調される。
最後に,最先端の顔認証データセットの信頼度スコアと説明マップを算出し,その結果をwebプラットフォーム上で公開する。
ユーザフレンドリーなインタラクションのためのプラットフォームを最適化し、マシンラーニングの決定の理解をさらに改善したいと考えています。
ソースコードはGitHubで入手でき、Webプラットフォームはhttp://explainable-face-verification.ey.r.comで公開されている。
appspot.com所属。
関連論文リスト
- OSDFace: One-Step Diffusion Model for Face Restoration [72.5045389847792]
拡散モデルは、顔の修復において顕著な性能を示した。
顔復元のための新しいワンステップ拡散モデルOSDFaceを提案する。
その結果,OSDFaceは現状のSOTA(State-of-the-art)手法を視覚的品質と定量的指標の両方で上回っていることがわかった。
論文 参考訳（メタデータ） (2024-11-26T07:07:48Z) - Synthetic Counterfactual Faces [1.3062016289815055]
我々は、ターゲットとなる、対実的で高品質な合成顔データを構築するための生成AIフレームワークを構築します。
私たちのパイプラインには、顔認識システム感度評価や画像理解システムプローブなど、多くのユースケースがあります。
商用ビジョンモデルにおける顔生成パイプラインの有効性を示す。
論文 参考訳（メタデータ） (2024-07-18T22:22:49Z) - Towards A Comprehensive Visual Saliency Explanation Framework for AI-based Face Recognition Systems [9.105950041800225]
本書は,顔認識タスクの包括的説明枠組みを考案した。
AIに基づく顔認識システムのためのビジュアル・サリエンシ・マップに基づく説明の包括的定義を提供する。
CorrRISE というモデルに依存しない新しい説明法が提案されている。
論文 参考訳（メタデータ） (2024-07-08T14:25:46Z) - Privacy-Preserving Face Recognition in Hybrid Frequency-Color Domain [16.05230409730324]
顔画像は、各ユーザのアイデンティティ情報に関連付けられた、敏感なバイオメトリック属性である。
本稿では,顔認識の入力次元を低減するために,ハイブリッド周波数-カラー融合法を提案する。
1:Nの検証シナリオの最先端よりも約2.6%から4.2%高い精度を持つ。
論文 参考訳（メタデータ） (2024-01-24T11:27:32Z) - Explaining Deep Face Algorithms through Visualization: A Survey [57.60696799018538]
本研究は、顔領域における説明可能性アルゴリズムの第一種メタ分析を行う。
既存のフェース説明可能性について概観し、フェースネットワークの構造と階層に関する貴重な知見を明らかにする。
論文 参考訳（メタデータ） (2023-09-26T07:16:39Z) - Explanation of Face Recognition via Saliency Maps [13.334500258498798]
本稿では,説明可能な顔認識(XFR)の厳密な定義を提案する。
次に、類似性に基づくRISEアルゴリズム(S-RISE)を導入し、高品質なビジュアル・サリエンシ・マップを作成する。
一般的なビジュアル・サリエンシに基づくXFR手法の信頼性と精度を体系的に評価するための評価手法を提案する。
論文 参考訳（メタデータ） (2023-04-12T19:04:21Z) - FACE-AUDITOR: Data Auditing in Facial Recognition Systems [24.082527732931677]
顔画像を扱うスケーラビリティと能力のために、ショットベースの顔認識システムが注目されている。
顔画像の誤使用を防止するために、簡単なアプローチとして、生の顔画像を共有する前に修正する方法がある。
そこで本研究では,FACE-AUDITORの完全ツールキットを提案する。このツールキットは,少数ショットベースの顔認識モデルに問い合わせ,ユーザの顔画像のいずれかがモデルのトレーニングに使用されているかどうかを判断する。
論文 参考訳（メタデータ） (2023-04-05T23:03:54Z) - Robustness Disparities in Face Detection [64.71318433419636]
本稿では,その顔検出システムの詳細なベンチマークとして,商業モデルと学術モデルのノイズに対する頑健性について検討する。
すべてのデータセットやシステム全体で、$textitmasculineである個人の写真が$textitdarker skin type$$$、$textitdarker$、または$textitdim lighting$は、他のIDよりもエラーの影響を受けやすい。
論文 参考訳（メタデータ） (2022-11-29T05:22:47Z) - Facial Masks and Soft-Biometrics: Leveraging Face Recognition CNNs for
Age and Gender Prediction on Mobile Ocular Images [53.913598771836924]
スマートフォンで撮影した自撮り眼画像を使って年齢や性別を推定します。
ImageNet Challengeの文脈で提案された2つの既存の軽量CNNを適応させる。
一部のネットワークは顔認識のためにさらにトレーニングされており、非常に大規模なトレーニングデータベースが利用可能です。
論文 参考訳（メタデータ） (2021-03-31T01:48:29Z) - The Elements of End-to-end Deep Face Recognition: A Survey of Recent
Advances [56.432660252331495]
顔認識はコンピュータビジョンにおいて最も人気があり、長く続いたトピックの1つである。
ディープフェイス認識は目覚ましい進歩を遂げ、多くの現実世界のアプリケーションで広く利用されている。
本稿では,各要素の最近の進歩を概観する。
論文 参考訳（メタデータ） (2020-09-28T13:02:17Z) - 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。