論文の概要: Gallery Sampling for Robust and Fast Face Identification

• arxiv url: http://arxiv.org/abs/2305.07495v1
• Date: Fri, 12 May 2023 14:10:36 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-15 12:38:50.922734
• Title: Gallery Sampling for Robust and Fast Face Identification
• Title（参考訳）: ロバストかつ高速な顔識別のためのギャラリーサンプリング
• Authors: Myung-cheol Roh, Pyoung-gang Lim, and Jongju Shin
• Abstract要約: 本稿では,ラベルの誤り,低品質,低インフォーマティブな画像を含む外れ値に対して頑健なギャラリーデータサンプリング手法を提案する。 提案したサンプリング・バイ・プルーニング・サンプリング・バイ・ジェネレーション法は顔識別性能を著しく向上させた。
• 参考スコア（独自算出の注目度）: 3.9667328624568308
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep learning methods have been achieved brilliant results in face recognition. One of the important tasks to improve the performance is to collect and label images as many as possible. However, labeling identities and checking qualities of large image data are difficult task and mistakes cannot be avoided in processing large data. Previous works have been trying to deal with the problem only in training domain, however it can cause much serious problem if the mistakes are in gallery data of face identification. We proposed gallery data sampling methods which are robust to outliers including wrong labeled, low quality, and less-informative images and reduce searching time. The proposed sampling-by-pruning and sampling-by-generating methods significantly improved face identification performance on our 5.4M web image dataset of celebrities. The proposed method achieved 0.0975 in terms of FNIR at FPIR=0.01, while conventional method showed 0.3891. The average number of feature vectors for each individual gallery was reduced to 17.1 from 115.9 and it can provide much faster search. We also made experiments on public datasets and our method achieved 0.1314 and 0.0668 FNIRs at FPIR=0.01 on the CASIA-WebFace and MS1MV2, while the convectional method did 0.5446, and 0.1327, respectively.
• Abstract（参考訳）: ディープラーニングの手法は、顔認識で素晴らしい成果を上げています。 パフォーマンスを改善するための重要なタスクの1つは、画像の収集とラベル付けを可能な限り行うことです。 しかし,大容量画像データのラベル付けや品質確認は困難であり,大容量データの処理において誤りを回避できない。 これまでの研究は、トレーニングドメインでのみこの問題に対処しようと試みてきたが、失敗が顔識別のギャラリーデータにある場合、重大な問題を引き起こす可能性がある。 誤ラベル付き,低品質,低インフォーマティブな画像を含む外れ値に対して堅牢なギャラリーデータサンプリング手法を提案し,検索時間を短縮した。 提案手法は,セレブのweb画像データセット5.4mにおいて,顔識別性能を大幅に向上させた。 提案法はFPIR=0.01で0.0975,従来の0.3891であった。 個々のギャラリーごとの特徴ベクトルの平均数は115.9から17.1に減らされ、より高速な検索が可能になる。 CASIA-WebFace と MS1MV2 で FPIR=0.01 で 0.1314 と 0.0668 FNIR を達成し,対流法は 0.5446 と 0.1327 である。

関連論文リスト

• Blind Image Deblurring with FFT-ReLU Sparsity Prior [1.179778723980276]
  ブラインドイメージデブロアリング(Blind image deblurring)は、ぼやけたカーネルに関する事前知識のないぼやけたイメージからシャープなイメージを復元するプロセスである。 画像の種類を多岐にわたって効果的に劣化させるために,ぼやけたカーネルを対象とする先行処理を利用する手法を提案する。
  論文  参考訳（メタデータ） (2024-06-12T15:51:39Z)
• Patch-wise Features for Blur Image Classification [3.762360672951513]
  本手法により, ぼかしとシャープな画像劣化の区別が可能となる。 オープンデータセットで行った実験では、提案した低計算手法が検証セットの平均精度を90.1%向上することが示された。 提案手法はCPU上のVGG16ベースモデルよりも10倍高速で、入力画像サイズに線形にスケールし、低計算エッジデバイスに実装するのに適している。
  論文  参考訳（メタデータ） (2023-04-06T15:39:11Z)
• AdaFace: Quality Adaptive Margin for Face Recognition [56.99208144386127]
  本稿では、損失関数、すなわち画像品質における適応性の別の側面を紹介する。 そこで本稿では,画像品質に基づいて異なる難易度を示す新たな損失関数を提案する。 提案手法は,4つのデータセット上でのSoTA(State-of-the-art)による顔認識性能を向上させる。
  論文  参考訳（メタデータ） (2022-04-03T01:23:41Z)
• MC-Blur: A Comprehensive Benchmark for Image Deblurring [127.6301230023318]
  ほとんどの実世界の画像では、ブラーは動きやデフォーカスなど様々な要因によって引き起こされる。 我々は,MC-Blurと呼ばれる大規模マルチライク画像デブロアリングデータセットを新たに構築する。 MC-Blurデータセットに基づいて,異なるシナリオにおけるSOTA法の比較を行う。
  論文  参考訳（メタデータ） (2021-12-01T02:10:42Z)
• Towards an Efficient Semantic Segmentation Method of ID Cards for Verification Systems [8.820032281861227]
  本研究では,IDカードのセマンティックセグメンテーションを用いて背景を除去する手法を提案する。 MobileUNetとDenseNet10をベースとした2つのディープラーニングアプローチが検討された。 提案手法は,モバイル端末上でのリアルタイム操作に利用できるほど軽量である。
  論文  参考訳（メタデータ） (2021-11-24T19:54:17Z)
• To be Critical: Self-Calibrated Weakly Supervised Learning for Salient Object Detection [95.21700830273221]
  弱教師付き有色物体検出(WSOD)は,画像レベルのアノテーションを用いた有色度モデルの開発を目的としている。 擬似ラベルとネットワーク予測の相互校正ループを明確に設定し,自己校正学習戦略を提案する。 十分に整合したアノテーションを持つはるかに小さなデータセットであっても、モデルがより優れたパフォーマンスと一般化性を達成するのに役立ちます。
  論文  参考訳（メタデータ） (2021-09-04T02:45:22Z)
• Sample selection for efficient image annotation [14.695979686066066]
  監視対象検出は、人間レベルのパフォーマンスを達成する多くのベンチマークデータセットで成功したことが証明されている。 ラベルなしデータセットから最も有益な画像をサンプリングする効率的な画像選択手法を提案する。 本手法は,完全な手動ラベリング設定と比較して,手動アノテーション作業の最大80%を削減でき,ランダムサンプリングよりも優れた性能を発揮する。
  論文  参考訳（メタデータ） (2021-05-10T21:25:10Z)
• With a Little Help from My Friends: Nearest-Neighbor Contrastive Learning of Visual Representations [87.72779294717267]
  対比損失で最も近い隣り合わせを正として使用すると、ImageNet分類でパフォーマンスが大幅に向上します。 提案手法が複雑なデータ拡張に依存しないことを実証的に証明する。
  論文  参考訳（メタデータ） (2021-04-29T17:56:08Z)
• Towards Good Practices for Efficiently Annotating Large-Scale Image Classification Datasets [90.61266099147053]
  多数の画像の分類ラベルを収集するための効率的なアノテーション戦略を検討する。 人間のラベリング作業を最小化するための修正とベストプラクティスを提案します。 ImageNet100の125kイメージサブセットのシミュレーション実験では、平均で0.35のアノテーションで80%のトップ-1の精度でアノテートできることが示されている。
  論文  参考訳（メタデータ） (2021-04-26T16:29:32Z)
• Video Face Recognition System: RetinaFace-mnet-faster and Secondary Search [5.371825910267909]
  本稿は、主にビデオの複雑な顔について実験する。 ファジィシーンや露出の少ない顔のための画像前処理モジュールを設計し、画像を強化する。 また,検出のためのRetinacFace-mnet-fasterと顔認識のための信頼しきい値仕様を提案する。
  論文  参考訳（メタデータ） (2020-09-28T09:31:38Z)
• Large-Scale Object Detection in the Wild from Imbalanced Multi-Labels [128.77822070156057]
  本研究では,対象物が明示的にあるいは暗黙的に複数のラベルを持つ可能性のあるラベル問題を定量的に解析する。 ラベルの不均衡に対処するために,ハイブリッドトレーニングスケジューラを用いたソフトサンプリング手法を提案する。 提案手法は3.34点の劇的な改善を実現し,オープンイメージの公開オブジェクト検出テストセット上で60.90mAPの最高の単一モデルを実現する。
  論文  参考訳（メタデータ） (2020-05-18T04:36:36Z)

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。