Fugu-MT 論文翻訳(概要): SASMU: boost the performance of generalized recognition model using synthetic face dataset

論文の概要: SASMU: boost the performance of generalized recognition model using synthetic face dataset

arxiv url: http://arxiv.org/abs/2306.01449v1
Date: Fri, 2 Jun 2023 11:11:00 GMT
ステータス: 処理完了
システム内更新日: 2023-06-05 15:25:02.179972
Title: SASMU: boost the performance of generalized recognition model using synthetic face dataset
Title（参考訳）: SASMU:合成顔データを用いた一般化認識モデルの性能向上
Authors: Chia-Chun Chung, Pei-Chun Chang, Yong-Sheng Chen, HaoYuan He, Chinson Yeh
Abstract要約: 本稿では,合成データセットを用いた顔認識のための,シンプルで斬新で効果的な手法であるSASMUを提案する。提案手法は空間データ拡張(SA)とスペクトル混合(SMU)からなる。
参考スコア（独自算出の注目度）: 5.596292759115785
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Nowadays, deploying a robust face recognition product becomes easy with the development of face recognition techniques for decades. Not only profile image verification but also the state-of-the-art method can handle the in-the-wild image almost perfectly. However, the concern of privacy issues raise rapidly since mainstream research results are powered by tons of web-crawled data, which faces the privacy invasion issue. The community tries to escape this predicament completely by training the face recognition model with synthetic data but faces severe domain gap issues, which still need to access real images and identity labels to fine-tune the model. In this paper, we propose SASMU, a simple, novel, and effective method for face recognition using a synthetic dataset. Our proposed method consists of spatial data augmentation (SA) and spectrum mixup (SMU). We first analyze the existing synthetic datasets for developing a face recognition system. Then, we reveal that heavy data augmentation is helpful for boosting performance when using synthetic data. By analyzing the previous frequency mixup studies, we proposed a novel method for domain generalization. Extensive experimental results have demonstrated the effectiveness of SASMU, achieving state-of-the-art performance on several common benchmarks, such as LFW, AgeDB-30, CA-LFW, CFP-FP, and CP-LFW.
Abstract（参考訳）: 近年,何十年にもわたって顔認証技術が開発され,堅牢な顔認識製品の展開が容易になっている。プロファイル画像の検証だけでなく、最先端の手法もほぼ完璧に処理できる。しかし、プライバシー問題に対する懸念は急速に高まり、主要な研究成果は、プライバシー侵害問題に直面した大量のウェブクローラーデータによって支えられている。コミュニティは、顔認識モデルを合成データでトレーニングすることで、この前提を完全に回避しようとしているが、深刻なドメインギャップの問題に直面している。本稿では,合成データセットを用いた,シンプルで斬新で効果的な顔認識手法であるSASMUを提案する。提案手法は空間データ拡張(SA)とスペクトル混合(SMU)からなる。まず,既存の合成データセットを分析し,顔認識システムを構築する。そして, 合成データを用いた場合, ヘビーデータ拡張が性能向上に有用であることを明らかにする。先行する周波数混合研究を解析し,新しい領域一般化法を提案する。 LFW, AgeDB-30, CA-LFW, CFP-FP, CP-LFW などの一般的なベンチマークにおいて, SASMU の有効性を実証した。

関連論文リスト

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)
Unsupervised Face Recognition using Unlabeled Synthetic Data [16.494722503803196]
ラベルなし合成データ(U SynthFace)に基づく教師なし顔認識モデルを提案する。提案したU SynthFaceは、同一の合成インスタンスの2つの拡張画像の類似性を最大化することを学ぶ。ラベルなし合成データを用いた比較的高い認識精度を実現するためのU SynthFaceの有効性を実証する。
論文参考訳（メタデータ） (2022-11-14T14:05:19Z)
How to Boost Face Recognition with StyleGAN? [13.067766076889995]
最先端の顔認識システムは大量のラベル付きトレーニングデータを必要とする。業界における自己監督的革命は、関連する技術が顔認識に適応する研究を動機付けている。 StyleGANのための微調整pSpエンコーダに基づく簡単なアプローチにより、最先端の顔認識を改善することができることを示す。
論文参考訳（メタデータ） (2022-10-18T18:41:56Z)
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)
Escaping Data Scarcity for High-Resolution Heterogeneous Face Hallucination [68.78903256687697]
Heterogeneous Face Recognition (HFR) では、視覚や熱といった2つの異なる領域にまたがる顔のマッチングが目的である。合成によるギャップを埋めようとする最近の手法は有望な結果を得たが、ペアトレーニングデータの不足により、その性能は依然として制限されている。本稿では,HFRのための新しい顔幻覚パラダイムを提案する。これはデータ効率のよい合成を可能にするだけでなく,プライバシポリシーを破ることなくモデルトレーニングのスケールアップを可能にする。
論文参考訳（メタデータ） (2022-03-30T20:44:33Z)
End2End Occluded Face Recognition by Masking Corrupted Features [82.27588990277192]
最先端の一般的な顔認識モデルは、隠蔽された顔画像に対してうまく一般化しない。本稿では,1つのエンドツーエンドのディープニューラルネットワークに基づいて,オクルージョンに頑健な新しい顔認識手法を提案する。我々のアプローチは、深い畳み込みニューラルネットワークから破損した特徴を発見し、動的に学習されたマスクによってそれらをきれいにする。
論文参考訳（メタデータ） (2021-08-21T09:08:41Z)
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)
Federated Face Recognition [30.344709613627764]
Federated Learningは、当事者間でデータを共有せずに協力的にモデルをトレーニングする。本稿では,顔認識のためのフェデレーション学習を革新するフレームワークFedFaceを提案する。
論文参考訳（メタデータ） (2021-05-06T08:07:25Z)
Identity-Aware CycleGAN for Face Photo-Sketch Synthesis and Recognition [61.87842307164351]
まず,画像生成ネットワークの監視に新たな知覚損失を適用したIACycleGAN(Identity-Aware CycleGAN)モデルを提案する。眼や鼻などの重要な顔領域の合成により多くの注意を払うことで、フォトエッチング合成におけるサイクガンを改善する。 IACycleGANによる画像の合成を反復的に行う合成モデルと認識モデルとの相互最適化手法を開発した。
論文参考訳（メタデータ） (2021-03-30T01:30:08Z)
Joint Deep Learning of Facial Expression Synthesis and Recognition [97.19528464266824]
顔表情の合成と認識を効果的に行うための新しい統合深層学習法を提案する。提案手法は, 2段階の学習手順を伴い, まず, 表情の異なる顔画像を生成するために, 表情合成生成対向ネットワーク (FESGAN) を事前訓練する。実画像と合成画像間のデータバイアスの問題を軽減するために,新しい実データ誘導バックプロパゲーション(RDBP)アルゴリズムを用いたクラス内損失を提案する。
論文参考訳（メタデータ） (2020-02-06T10:56:00Z)

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。