論文の概要: Dive into the Resolution Augmentations and Metrics in Low Resolution
Face Recognition: A Plain yet Effective New Baseline
- arxiv url: http://arxiv.org/abs/2302.05621v1
- Date: Sat, 11 Feb 2023 07:31:47 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-14 19:29:43.279888
- Title: Dive into the Resolution Augmentations and Metrics in Low Resolution
Face Recognition: A Plain yet Effective New Baseline
- Title(参考訳): 低解像度顔認識における解像度拡張とメトリクス: 単純だが効果的な新しいベースライン
- Authors: Xu Ling, Yichen Lu, Wenqi Xu, Weihong Deng, Yingjie Zhang, Xingchen
Cui, Hongzhi Shi, Dongchao Wen
- Abstract要約: 我々は高分解能(HR)ドメインと低分解能(LR)ドメインの間の大きなドメインギャップに対処する。
より効果的なマルチリゾリューション拡張と,LogExp距離関数に基づく新しいメトリクス損失を提案する。
提案手法は,画像の広い解像度範囲でより一般的な知識を学習することができ,バランスのとれた結果が,我々のフレームワークによって達成できる。
- 参考スコア(独自算出の注目度): 33.82038623492457
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Although deep learning has significantly improved Face Recognition (FR),
dramatic performance deterioration may occur when processing Low Resolution
(LR) faces. To alleviate this, approaches based on unified feature space are
proposed with the sacrifice under High Resolution (HR) circumstances. To deal
with the huge domain gap between HR and LR domains and achieve the best on both
domains, we first took a closer look at the impacts of several resolution
augmentations and then analyzed the difficulty of LR samples from the
perspective of the model gradient produced by different resolution samples.
Besides, we also find that the introduction of some resolutions could help the
learning of lower resolutions. Based on these, we divide the LR samples into
three difficulties according to the resolution and propose a more effective
Multi-Resolution Augmentation. Then, due to the rapidly increasing domain gap
as the resolution decreases, we carefully design a novel and effective metric
loss based on a LogExp distance function that provides decent gradients to
prevent oscillation near the convergence point or tolerance to small distance
errors; it could also dynamically adjust the penalty for errors in different
dimensions, allowing for more optimization of dimensions with large errors.
Combining these two insights, our model could learn more general knowledge in a
wide resolution range of images and balanced results can be achieved by our
extremely simple framework. Moreover, the augmentations and metrics are the
cornerstones of LRFR, so our method could be considered a new baseline for the
LRFR task. Experiments on the LRFR datasets: SCface, XQLFW, and large-scale
LRFR dataset: TinyFace demonstrate the effectiveness of our methods, while the
degradation on HRFR datasets is significantly reduced.
- Abstract(参考訳): ディープラーニングは顔認識(FR)を大幅に改善したが、低分解能(LR)の処理時に劇的な性能劣化が発生する可能性がある。
これを軽減するために、高分解能(HR)条件下での犠牲を伴う統合された特徴空間に基づくアプローチを提案する。
HRドメインとLRドメイン間の大きなドメインギャップに対処し、両ドメインで最善を尽くすために、まずいくつかの解像度拡張の影響を詳しく調べ、異なる解像度サンプルによって生成されたモデル勾配の観点からLRサンプルの難しさを解析した。
さらに、いくつかの解像度を導入することで、低い解像度の学習に役立つこともわかりました。
これらの結果に基づき,lrサンプルを3つの難易度に分割し,より効果的なマルチレゾリューション拡張を提案する。
そして,分解能が低下するにつれて領域ギャップが急速に増大するので,収差点近傍での発振や小さな距離誤差に対する耐性を抑えるための適切な勾配を提供するLogExp距離関数に基づいて,新しい効果的な計量損失を慎重に設計し,異なる次元の誤差に対するペナルティを動的に調整し,大きな誤差を伴う次元の最適化を可能にする。
これら2つの洞察を組み合わせることで、より広い解像度のイメージでより一般的な知識を学習し、非常にシンプルなフレームワークでバランスの取れた結果を得ることができます。
さらに, LRFRの基盤となる拡張と測定値について検討し, LRFRタスクの新たなベースラインとみなすことが可能となった。
LRFRデータセットの実験:SCface、XQLFW、大規模LRFRデータセット: TinyFaceは我々の手法の有効性を示し、HRFRデータセットの劣化は著しく減少する。
関連論文リスト
- CCFace: Classification Consistency for Low-Resolution Face Recognition [12.129404936688752]
TinyFaceやSCFaceのような現実の低解像度のベンチマークに適用した場合、ディープフェイス認識手法はパフォーマンスを著しく低下させる。
本稿では,学習した分類器を高分解能モデルから低分解能ネットワークへ変換する新しい分類整合性知識蒸留手法を提案する。
提案手法は,高分解能ベンチマークの性能を維持しながら,TinyFaceを3%改善した。
論文 参考訳(メタデータ) (2023-08-18T01:24:52Z) - Learning from Multi-Perception Features for Real-Word Image
Super-resolution [87.71135803794519]
入力画像の複数の知覚的特徴を利用する新しいSR手法MPF-Netを提案する。
本稿では,MPFEモジュールを組み込んで,多様な知覚情報を抽出する手法を提案する。
また、モデルの学習能力を向上する対照的な正規化項(CR)も導入する。
論文 参考訳(メタデータ) (2023-05-26T07:35:49Z) - Learning Resolution-Adaptive Representations for Cross-Resolution Person
Re-Identification [49.57112924976762]
低解像度(LR)クエリIDイメージと高解像度(HR)ギャラリーイメージとの整合性を実現する。
実際のカメラとの違いにより、クエリ画像が分解能の低下に悩まされることがしばしばあるため、これは困難かつ実用的な問題である。
本稿では,問合せ画像の解像度に適応する動的計量を用いて,HRとLRの画像を直接比較するためのSRフリーなパラダイムについて検討する。
論文 参考訳(メタデータ) (2022-07-09T03:49:51Z) - Hierarchical Similarity Learning for Aliasing Suppression Image
Super-Resolution [64.15915577164894]
エイリアスの影響を抑制するために階層画像超解像ネットワーク(HSRNet)を提案する。
HSRNetは、他の作品よりも定量的かつ視覚的なパフォーマンスを向上し、エイリアスをより効果的に再送信する。
論文 参考訳(メタデータ) (2022-06-07T14:55:32Z) - Best-Buddy GANs for Highly Detailed Image Super-Resolution [71.13466303340192]
我々は,低分解能(LR)入力に基づいて高分解能(HR)画像を生成する単一画像超解像(SISR)問題を考える。
このラインに沿ったほとんどのメソッドは、SISRタスクに十分な柔軟性がない、事前定義されたシングルLRシングルHRマッピングに依存しています。
リッチディテールSISRのためのベストバディGAN(Beby-GAN)を提案する。
イミュータブルな1対1の制約を緩和することで、推定されたパッチを動的に最高の監視を求めることができる。
論文 参考訳(メタデータ) (2021-03-29T02:58:27Z) - Hierarchical Deep CNN Feature Set-Based Representation Learning for
Robust Cross-Resolution Face Recognition [59.29808528182607]
クロスリゾリューション顔認識(CRFR)は、インテリジェントな監視およびバイオメトリックフォレンジックにおいて重要である。
既存の浅層学習と深層学習に基づく手法は、HR-LR対を共同特徴空間にマッピングすることに焦点を当てている。
本研究では,多レベル深層畳み込みニューラルネットワーク(CNN)の機能を完全に活用し,堅牢なCRFRを実現することを目的とする。
論文 参考訳(メタデータ) (2021-03-25T14:03:42Z) - Deep Generative Adversarial Residual Convolutional Networks for
Real-World Super-Resolution [31.934084942626257]
我々は,超解像残差畳み込み生成共役ネットワーク(SRResCGAN)を提案する。
これは、生成したLRドメインからHRドメインの画素単位の監督でモデルを逆トレーニングすることで、現実世界の劣化設定に従う。
提案するネットワークは,画像の高精細化と凸最適化によるエネルギーベース目的関数の最小化により,残差学習を利用する。
論文 参考訳(メタデータ) (2020-05-03T00:12:38Z) - PULSE: Self-Supervised Photo Upsampling via Latent Space Exploration of
Generative Models [77.32079593577821]
PULSE (Photo Upsampling via Latent Space Exploration) は、それまで文献になかった解像度で高解像度でリアルな画像を生成する。
本手法は, 従来よりも高分解能, スケールファクターの知覚品質において, 最先端の手法よりも優れていた。
論文 参考訳(メタデータ) (2020-03-08T16:44:31Z)
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。