Fugu-MT 論文翻訳(概要): Face Recognition Using Synthetic Face Data

論文の概要: Face Recognition Using Synthetic Face Data

arxiv url: http://arxiv.org/abs/2305.10079v1
Date: Wed, 17 May 2023 09:26:10 GMT
ステータス: 処理完了
システム内更新日: 2023-05-18 16:36:02.001289
Title: Face Recognition Using Synthetic Face Data
Title（参考訳）: 合成顔データを用いた顔認識
Authors: Omer Granoviter, Alexey Gruzdev, Vladimir Loginov, Max Kogan, Orly Zvitia
Abstract要約: 我々は、コンピュータグラフィックスパイプラインを介してデジタル顔のレンダリングによって生成された合成データの有望な応用を強調し、競争力のある結果を得る。モデルを微調整することで、何十万もの実画像のトレーニングで得られた結果に匹敵する結果が得られる。また,モデル性能に及ぼすクラス内因子(化粧品,アクセサリー,ヘアカットなど)の追加効果についても検討した。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: In the field of deep learning applied to face recognition, securing large-scale, high-quality datasets is vital for attaining precise and reliable results. However, amassing significant volumes of high-quality real data faces hurdles such as time limitations, financial burdens, and privacy issues. Furthermore, prevalent datasets are often impaired by racial biases and annotation inaccuracies. In this paper, we underscore the promising application of synthetic data, generated through rendering digital faces via our computer graphics pipeline, in achieving competitive results with the state-of-the-art on synthetic data across multiple benchmark datasets. By finetuning the model,we obtain results that rival those achieved when training with hundreds of thousands of real images (98.7% on LFW [1]). We further investigate the contribution of adding intra-class variance factors (e.g., makeup, accessories, haircuts) on model performance. Finally, we reveal the sensitivity of pre-trained face recognition models to alternating specific parts of the face by leveraging the granular control capability in our platform.
Abstract（参考訳）: 顔認識に適用されるディープラーニングの分野では、高精度で信頼性の高い結果を得るためには、大規模で高品質なデータセットの確保が不可欠である。しかし、大量の高品質な実データを集めることは、時間制限、財務上の負担、プライバシー問題などのハードルに直面している。さらに、一般的なデータセットは、しばしば人種バイアスやアノテーションの不正確さによって損なわれる。本稿では,複数のベンチマークデータセットにまたがる合成データに関する最先端技術と競合する結果を達成するために,コンピュータグラフィックスパイプラインによるデジタル顔のレンダリングによって生成された合成データの有望な応用を強調する。モデルを微調整することで、数十万の実画像(lfw [1] で98.7%)でトレーニングした結果に匹敵する結果が得られる。さらに,クラス内分散因子(化粧,アクセサリー,散髪など)がモデル性能に与える影響についても検討した。最後に,我々のプラットフォームにおける粒度制御機能を活用し,顔の特定の部分を交互に処理するための事前学習された顔認識モデルの感度を明らかにする。

関連論文リスト

The Impact of Balancing Real and Synthetic Data on Accuracy and Fairness in Face Recognition [10.849598219674132]
人口統計学的にバランスのとれた認証データと合成データとが、顔認識モデルの精度と公正性に与える影響について検討した。本研究は,I とI,I,I,I,I,I,I,I,I,I,I,I,I,I,I,I,I,E,,,,,I,,,,,,
論文参考訳（メタデータ） (2024-09-04T16:50:48Z)
Best Practices and Lessons Learned on Synthetic Data [83.63271573197026]
AIモデルの成功は、大規模で多様な、高品質なデータセットの可用性に依存している。合成データは、現実世界のパターンを模倣する人工データを生成することによって、有望なソリューションとして現れてきた。
論文参考訳（メタデータ） (2024-04-11T06:34:17Z)
SDFR: Synthetic Data for Face Recognition Competition [51.9134406629509]
大規模な顔認識データセットは、インターネットをクロールして個人の同意なしに収集し、法的、倫理的、プライバシー上の懸念を提起する。近年、ウェブクローリングされた顔認識データセットにおける懸念を軽減するために、合成顔認識データセットの生成が提案されている。本稿では,第18回IEEE International Conference on Automatic Face and Gesture Recognition (FG 2024)と共同で開催されているSynthetic Data for Face Recognition (SDFR)コンペティションの概要を紹介する。 SDFRコンペティションは2つのタスクに分けられ、参加者は新しい合成データセットまたは/または既存のデータセットを使用して顔認識システムを訓練することができる。
論文参考訳（メタデータ） (2024-04-06T10:30:31Z)
If It's Not Enough, Make It So: Reducing Authentic Data Demand in Face Recognition through Synthetic Faces [16.977459035497162]
大規模な顔データセットは、主にWebベースのイメージから作成され、明示的なユーザの同意が欠如している。本稿では,合成顔データを用いて効果的な顔認識モデルの訓練を行う方法について検討する。
論文参考訳（メタデータ） (2024-04-04T15:45:25Z)
Deep Domain Adaptation: A Sim2Real Neural Approach for Improving Eye-Tracking Systems [80.62854148838359]
眼球画像のセグメンテーションは、最終視線推定に大きな影響を及ぼす眼球追跡の重要なステップである。対象視線画像と合成訓練データとの重なり合いを測定するために,次元還元法を用いている。提案手法は,シミュレーションと実世界のデータサンプルの相違に対処する際の頑健で,性能が向上する。
論文参考訳（メタデータ） (2024-03-23T22:32:06Z)
Synthetic Data for Face Recognition: Current State and Future Prospects [14.288753326973984]
本研究の目的は,顔認識における合成顔データの利用事例を明確かつ構造化した画像を提供することである。本稿では,顔認識における合成データの利用に直面する課題と,顔認識分野における合成データの今後の展望について論じる。
論文参考訳（メタデータ） (2023-05-01T18:25:22Z)
Rethinking Bias Mitigation: Fairer Architectures Make for Fairer Face Recognition [107.58227666024791]
顔認識システムは、法執行を含む安全クリティカルなアプリケーションに広くデプロイされている。彼らは、性別や人種など、様々な社会的デデノグラフィー次元に偏見を示す。バイアス軽減に関するこれまでの研究は、主にトレーニングデータの事前処理に重点を置いていた。
論文参考訳（メタデータ） (2022-10-18T15:46:05Z)
Is synthetic data from generative models ready for image recognition? [69.42645602062024]
本研究では,最新のテキスト・画像生成モデルから生成した合成画像が,画像認識タスクにどのように利用できるかを検討した。本稿では,既存の生成モデルからの合成データの強大さと欠点を示し,認識タスクに合成データを適用するための戦略を提案する。
論文参考訳（メタデータ） (2022-10-14T06:54:24Z)
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)
SynFace: Face Recognition with Synthetic Data [83.15838126703719]
我々は、ID混在(IM)とドメイン混在(DM)を併用したSynFaceを考案し、パフォーマンスギャップを緩和する。また、合成顔画像の系統的実験分析を行い、合成データを顔認識に効果的に活用する方法についての知見を提供する。
論文参考訳（メタデータ） (2021-08-18T03:41:54Z)

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。