論文の概要: Adaptive Face Recognition Using Adversarial Information Network
- arxiv url: http://arxiv.org/abs/2305.13605v1
- Date: Tue, 23 May 2023 02:14:11 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-24 19:41:28.721558
- Title: Adaptive Face Recognition Using Adversarial Information Network
- Title（参考訳）: 逆情報ネットワークを用いた適応型顔認識
- Authors: Mei Wang, Weihong Deng
- Abstract要約: 顔認識モデルは、トレーニングデータがテストデータと異なる場合、しばしば退化する。
本稿では,新たな敵情報ネットワーク(AIN)を提案する。
- 参考スコア（独自算出の注目度）: 57.29464116557734
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In many real-world applications, face recognition models often degenerate
when training data (referred to as source domain) are different from testing
data (referred to as target domain). To alleviate this mismatch caused by some
factors like pose and skin tone, the utilization of pseudo-labels generated by
clustering algorithms is an effective way in unsupervised domain adaptation.
However, they always miss some hard positive samples. Supervision on
pseudo-labeled samples attracts them towards their prototypes and would cause
an intra-domain gap between pseudo-labeled samples and the remaining unlabeled
samples within target domain, which results in the lack of discrimination in
face recognition. In this paper, considering the particularity of face
recognition, we propose a novel adversarial information network (AIN) to
address it. First, a novel adversarial mutual information (MI) loss is proposed
to alternately minimize MI with respect to the target classifier and maximize
MI with respect to the feature extractor. By this min-max manner, the positions
of target prototypes are adaptively modified which makes unlabeled images
clustered more easily such that intra-domain gap can be mitigated. Second, to
assist adversarial MI loss, we utilize a graph convolution network to predict
linkage likelihoods between target data and generate pseudo-labels. It
leverages valuable information in the context of nodes and can achieve more
reliable results. The proposed method is evaluated under two scenarios, i.e.,
domain adaptation across poses and image conditions, and domain adaptation
across faces with different skin tones. Extensive experiments show that AIN
successfully improves cross-domain generalization and offers a new
state-of-the-art on RFW dataset.
- Abstract（参考訳）: 多くの現実世界のアプリケーションでは、トレーニングデータ(ソースドメインと参照される)がテストデータ(ターゲットドメインと参照される)と異なる場合、顔認識モデルは、しばしば退化します。
ポーズや肌のトーンなどの要因によるこのミスマッチを軽減するため、クラスタリングアルゴリズムによって生成された擬似ラベルの利用は、教師なしドメイン適応に有効な方法である。
しかし、彼らは常に厳しいポジティブなサンプルを見逃している。
擬似ラベル付きサンプルのスーパービジョンは、そのプロトタイプに向けてそれらを惹きつけ、擬似ラベル付きサンプルと対象ドメイン内の残りの未ラベル付きサンプルとの間にドメイン内ギャップを生じさせ、顔認識における識別の欠如をもたらす。
本稿では,顔認識の特異性を考慮し,それに対応する新しい敵情報ネットワーク(AIN)を提案する。
まず、目的分類器に関してMIを交互に最小化し、特徴抽出器に関してMIを最大化するために、新しい相互情報(MI)損失を提案する。
これにより、ターゲットプロトタイプの位置を適応的に修正し、未ラベル画像のクラスタ化を容易にし、ドメイン内ギャップを軽減することができる。
次に, 対向的mi損失を支援するために, グラフ畳み込みネットワークを用いて, 対象データ間のリンク確率を予測し, 擬似ラベルを生成する。
ノードのコンテキストで貴重な情報を活用し、より信頼性の高い結果を得ることができる。
提案手法は,ポーズと画像の条件にまたがる領域適応と,異なる肌色を持つ顔の領域適応という2つのシナリオで評価される。
大規模な実験により、AINはクロスドメインの一般化を成功させ、新しい最先端のRFWデータセットを提供する。
関連論文リスト
- SiamSeg: Self-Training with Contrastive Learning for Unsupervised Domain Adaptation Semantic Segmentation in Remote Sensing [14.007392647145448]
UDAは、ラベル付きソースドメインデータをトレーニングしながら、ラベルなしのターゲットドメインデータからモデルを学習することを可能にする。
コントラスト学習を UDA に統合し,セマンティック情報を取得する能力を向上させることを提案する。
我々のSimSegメソッドは既存の手法より優れ、最先端の結果が得られます。
論文 参考訳（メタデータ） (2024-10-17T11:59:39Z) - Few-Shot Domain Adaptive Object Detection for Microscopic Images [7.993453987882035]
Few-shot Domain Adaptive Object Detection (FSDAOD) は、限られたラベル付きデータを持つターゲットドメインにオブジェクト検出器を適用するという課題に対処する。
医学データセットは、高いクラス不均衡と背景類似性を示し、偽陽性が増加し、ターゲットドメインの平均精度(マップ)が低下する。
私たちのコントリビューションには、少数ショットシナリオのためのドメイン適応型クラスバランス戦略、複数レイヤのインスタンスレベル間およびドメイン内アライメント、インスタンスレベルの分類損失が含まれています。
論文 参考訳（メタデータ） (2024-07-10T13:11:58Z) - Deep face recognition with clustering based domain adaptation [57.29464116557734]
そこで本研究では,ターゲットドメインとソースがクラスを共有しない顔認識タスクを対象とした,クラスタリングに基づく新しいドメイン適応手法を提案する。
本手法は,特徴領域をグローバルに整列させ,その一方で,対象クラスタを局所的に識別することで,識別対象特徴を効果的に学習する。
論文 参考訳（メタデータ） (2022-05-27T12:29:11Z) - Semi-Supervised Domain Adaptation with Prototypical Alignment and
Consistency Learning [86.6929930921905]
本稿では,いくつかの対象サンプルがラベル付けされていれば,ドメインシフトに対処するのにどの程度役立つか検討する。
ランドマークの可能性を最大限に追求するために、ランドマークから各クラスのターゲットプロトタイプを計算するプロトタイプアライメント(PA)モジュールを組み込んでいます。
具体的には,ラベル付き画像に深刻な摂動を生じさせ,PAを非自明にし,モデル一般化性を促進する。
論文 参考訳（メタデータ） (2021-04-19T08:46:08Z) - Adapt Everywhere: Unsupervised Adaptation of Point-Clouds and Entropy
Minimisation for Multi-modal Cardiac Image Segmentation [10.417009344120917]
マルチモーダル心臓画像分割のための新しいUDA法を提案する。
提案手法は、逆学習に基づいて、異なる空間におけるソースとターゲットドメイン間のネットワーク特徴を適応する。
本手法はannotated source domainからunannotated target domainへの適応により2つの心データセットで検証した。
論文 参考訳（メタデータ） (2021-03-15T08:59:44Z) - Cross-Domain Similarity Learning for Face Recognition in Unseen Domains [90.35908506994365]
本研究では,cdt(cross-domain triplet, クロスドメイントリプレット)の損失を推測する新しいクロスドメインメトリック学習損失法を提案する。
CDT損失は、一つのドメインからコンパクトな特徴クラスタを強制することによって意味論的に意味のある特徴の学習を促進する。
本手法では,トレーニング中,注意深いハードペアサンプルマイニングおよびフィルタリング戦略は必要としない。
論文 参考訳（メタデータ） (2021-03-12T19:48:01Z) - Joint Visual and Temporal Consistency for Unsupervised Domain Adaptive
Person Re-Identification [64.37745443119942]
本稿では,局所的なワンホット分類とグローバルなマルチクラス分類を組み合わせることで,視覚的・時間的整合性を両立させる。
3つの大規模ReIDデータセットの実験結果は、教師なしと教師なしの両方のドメイン適応型ReIDタスクにおいて提案手法の優位性を示す。
論文 参考訳（メタデータ） (2020-07-21T14:31:27Z) - Unsupervised Domain Adaptation in Person re-ID via k-Reciprocal
Clustering and Large-Scale Heterogeneous Environment Synthesis [76.46004354572956]
個人再識別のための教師なし領域適応手法を提案する。
実験結果から,ktCUDA法とSHRED法は,再同定性能において,+5.7 mAPの平均的改善を実現することがわかった。
論文 参考訳（メタデータ） (2020-01-14T17:43:52Z)
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。