Fugu-MT 論文翻訳(概要): An Exploratory Study of Masked Face Recognition with Machine Learning Algorithms

論文の概要: An Exploratory Study of Masked Face Recognition with Machine Learning Algorithms

arxiv url: http://arxiv.org/abs/2306.08549v1
Date: Wed, 14 Jun 2023 14:50:23 GMT
ステータス: 処理完了
システム内更新日: 2023-06-16 18:38:11.381776
Title: An Exploratory Study of Masked Face Recognition with Machine Learning Algorithms
Title（参考訳）: 機械学習アルゴリズムを用いたマスキング顔認識の探索的研究
Authors: Megh Pudyel and Mustafa Atay
Abstract要約: 新型コロナウイルス(COVID-19)のパンデミックで、マスクの使用は私たちの日常生活にとって重要になっている。顔認識におけるマスク着用の効果は、まだ未検討の課題である。我々は, SVC, KNN, LDA, DT, LR, NBの6つの従来の機械学習アルゴリズムを用いて, 最高性能の機械学習アルゴリズムを探索する。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Automated face recognition is a widely adopted machine learning technology for contactless identification of people in various processes such as automated border control, secure login to electronic devices, community surveillance, tracking school attendance, workplace clock in and clock out. Using face masks have become crucial in our daily life with the recent world-wide COVID-19 pandemic. The use of face masks causes the performance of conventional face recognition technologies to degrade considerably. The effect of mask-wearing in face recognition is yet an understudied issue. In this paper, we address this issue by evaluating the performance of a number of face recognition models which are tested by identifying masked and unmasked face images. We use six conventional machine learning algorithms, which are SVC, KNN, LDA, DT, LR and NB, to find out the ones which perform best, besides the ones which poorly perform, in the presence of masked face images. Local Binary Pattern (LBP) is utilized as the feature extraction operator. We generated and used synthesized masked face images. We prepared unmasked, masked, and half-masked training datasets and evaluated the face recognition performance against both masked and unmasked images to present a broad view of this crucial problem. We believe that our study is unique in elaborating the mask-aware facial recognition with almost all possible scenarios including half_masked-to-masked and half_masked-to-unmasked besides evaluating a larger number of conventional machine learning algorithms compared the other studies in the literature.
Abstract（参考訳）: 自動顔認識は、自動境界制御、電子機器へのセキュアなログイン、コミュニティの監視、学校の出席の追跡、職場時計のイン、クロックアウトなど、さまざまなプロセスにおける人々の接触のない識別のための、広く採用されている機械学習技術である。最近の世界的な新型コロナウイルス(covid-19)パンデミックでは、マスクの使用が日常生活で重要になっている。フェイスマスクの使用により、従来の顔認識技術の性能は大幅に低下する。顔認識におけるマスク着用の効果は、まだ未検討の課題である。本稿では,マスク付き顔画像とマスクなし顔画像の識別により,多数の顔認識モデルの性能を評価することにより,この問題に対処する。 SVC, KNN, LDA, DT, LR, NBの6つの従来の機械学習アルゴリズムを用いて, マスクされた顔画像の存在下で, 性能の悪いもの以外に, 性能のよいものを見つけ出す。特徴抽出演算子としてローカルバイナリパターン(LBP)が使用される。合成顔画像の生成と利用を行った。非マスク、仮面、半マスクのトレーニングデータセットを作成し、マスク画像と未マスク画像の両方に対する顔認識性能を評価し、この問題の広い視野を示す。本研究は,マスク認識を半マスクから半マスクまで,半マスクからアンマスクまで,ほぼすべてのシナリオで説明し,従来の機械学習アルゴリズムを文献で比較した。

関連論文リスト

Seeing through the Mask: Multi-task Generative Mask Decoupling Face Recognition [47.248075664420874]
現在の一般的な顔認識システムは、隠蔽シーンに遭遇する際の重大な性能劣化に悩まされている。本稿では,これら2つのタスクを協調的に扱うために,マルチタスクのgEnerative mask dEcoupling Face Recognition (MEER) ネットワークを提案する。まず,マスクと識別情報を分離する新しいマスクデカップリングモジュールを提案する。
論文参考訳（メタデータ） (2023-11-20T03:23:03Z)
Mask-invariant Face Recognition through Template-level Knowledge Distillation [3.727773051465455]
マスクは従来の顔認識システムの性能に影響を与える。マスク不変顔認識ソリューション(MaskInv)を提案する。蒸留された知識に加えて、学生ネットワークは、マージンベースのアイデンティティ分類損失による追加ガイダンスの恩恵を受ける。
論文参考訳（メタデータ） (2021-12-10T16:19:28Z)
Adversarial Mask: Real-World Adversarial Attack Against Face Recognition Models [66.07662074148142]
本稿では,最先端の深層学習に基づく顔認識モデルに対する物理対角的普遍摂動(UAP)を提案する。実験では,幅広い深層学習モデルとデータセットへの対向マスクの転送可能性について検討した。ファブリック・メディカル・フェイスマスクに対向パターンを印刷することにより,実世界の実験において,我々の対向マスクの有効性を検証した。
論文参考訳（メタデータ） (2021-11-21T08:13:21Z)
FocusFace: Multi-task Contrastive Learning for Masked Face Recognition [4.420321822469077]
SARS-CoV-2は科学界に直接的かつ間接的な課題を提示した。顔認識手法は、マスクやマスクされていない個人に類似した精度で身元確認を行うのに苦労する。本研究では,マルチタスクアーキテクチャであるFocusFaceを提案する。
論文参考訳（メタデータ） (2021-10-28T08:17:12Z)
MLFW: A Database for Face Recognition on Masked Faces [56.441078419992046]
Masked LFW (MLFW) は、マスクのない顔からマスクされた顔を自動的に生成するツールである。 SOTAモデルの認識精度は、元の画像の精度と比較して、MLFWデータベース上で5%-16%低下する。
論文参考訳（メタデータ） (2021-09-13T09:30:10Z)
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)
Multi-Dataset Benchmarks for Masked Identification using Contrastive Representation Learning [0.0]
新型コロナウイルスのパンデミックは世界中で受け入れられた基準を大きく変えた。パスポート、運転免許証、国籍カードなどの公式文書には、完全な顔画像が登録されている。空港やセキュリティチェックポイントでは、マスクの取り外しを依頼するのではなく、識別文書の未マスク画像とマスク付き人物とを一致させる方が安全である。本稿では,マスクとマスクのない顔マッチングに特化した,視覚表現学習に基づく事前学習ワークフローを提案する。
論文参考訳（メタデータ） (2021-06-10T08:58:10Z)
Contrastive Context-Aware Learning for 3D High-Fidelity Mask Face Presentation Attack Detection [103.7264459186552]
顔認識システムには、顔提示攻撃検出(PAD)が不可欠である。ほとんどの既存の3DマスクPADベンチマークにはいくつかの欠点があります。現実世界のアプリケーションとのギャップを埋めるために、大規模なハイファイアリティマスクデータセットを紹介します。
論文参考訳（メタデータ） (2021-04-13T12:48:38Z)
Unmasking Face Embeddings by Self-restrained Triplet Loss for Accurate Masked Face Recognition [6.865656740940772]
マスク付き顔認識性能を改善するためのソリューションを提案する。具体的には,既存の顔認識モデル上で動作させるEmbedding Unmasking Model (EUM)を提案する。また、EUMが同一アイデンティティのマスクされていない顔のこれらに類似した埋め込みを作成することを可能にする新しい損失関数、自己拘束トリプルト(SRT)を提案します。
論文参考訳（メタデータ） (2021-03-02T13:43:11Z)
Facial Expressions as a Vulnerability in Face Recognition [73.85525896663371]
本研究では,顔認識システムのセキュリティ脆弱性としての表情バイアスについて検討する。本稿では,表情バイアスが顔認識技術の性能に与える影響を包括的に分析する。
論文参考訳（メタデータ） (2020-11-17T18:12:41Z)
Masked Face Recognition Dataset and Application [28.2082082956263]
本研究では,MFDD(Masked Face Detection dataset),RMFRD(Real-world Masked Face Recognition dataset),SMFRD(Simulated Masked Face Recognition dataset)の3種類のマスク付き顔データセットを提案する。開発したマルチグラニュラリティマスク顔認証モデルは,業界が報告した結果を上回る95%の精度を実現している。
論文参考訳（メタデータ） (2020-03-20T04:15:19Z)

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。