論文の概要: EdgeFace: Efficient Face Recognition Model for Edge Devices

• arxiv url: http://arxiv.org/abs/2307.01838v1
• Date: Tue, 4 Jul 2023 17:30:19 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-06 16:20:03.578389
• Title: EdgeFace: Efficient Face Recognition Model for Edge Devices
• Title（参考訳）: EdgeFace:エッジデバイスのための効率的な顔認識モデル
• Authors: Anjith George and Christophe Ecabert and Hatef Otroshi Shahreza and Ketan Kotwal and Sebastien Marcel
• Abstract要約: EdgeFaceは、EdgeNeXtのハイブリッドアーキテクチャにインスパイアされた、軽量で効率的な顔認識ネットワークである。 LFW (99.73%) , IJB-B (92.67%) および IJB-C (94.85%) の術式結果が得られた。
• 参考スコア（独自算出の注目度）: 8.014703200985084
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: In this paper, we present EdgeFace, a lightweight and efficient face recognition network inspired by the hybrid architecture of EdgeNeXt. By effectively combining the strengths of both CNN and Transformer models, and a low rank linear layer, EdgeFace achieves excellent face recognition performance optimized for edge devices. The proposed EdgeFace network not only maintains low computational costs and compact storage, but also achieves high face recognition accuracy, making it suitable for deployment on edge devices. Extensive experiments on challenging benchmark face datasets demonstrate the effectiveness and efficiency of EdgeFace in comparison to state-of-the-art lightweight models and deep face recognition models. Our EdgeFace model with 1.77M parameters achieves state of the art results on LFW (99.73%), IJB-B (92.67%), and IJB-C (94.85%), outperforming other efficient models with larger computational complexities. The code to replicate the experiments will be made available publicly.
• Abstract（参考訳）: 本稿では,EdgeNeXtのハイブリッドアーキテクチャにヒントを得た,軽量かつ効率的な顔認識ネットワークEdgeFaceを提案する。 CNNとTransformerモデルの長所と低階線形層を効果的に組み合わせることで、エッジデバイスに最適化された優れた顔認識性能を実現する。 提案したEdgeFaceネットワークは、低計算コストとコンパクトストレージを維持するだけでなく、高い顔認識精度を実現し、エッジデバイスへのデプロイに適している。 挑戦的なベンチマーク顔データセットに関する広範囲な実験は、最先端の軽量モデルや深層顔認識モデルと比較して、エッジフェイスの有効性と効率を示す。 1.77Mパラメータを持つEdgeFaceモデルはLFW(99.73%)、IJB-B(92.67%)、IJB-C(94.85%)のアート結果の状態を達成し、計算量の多い他の効率的なモデルよりも優れている。 実験を再現するコードは公開される予定だ。

関連論文リスト

• Squeezed Edge YOLO: Onboard Object Detection on Edge Devices [0.5893124686141782]
  本稿では,圧縮対象検出モデルであるSqueezed Edge YOLOを提案する。 RISC-Vコア8基のGAP8プロセッサとメモリ4GBのNVIDIA Jetson Nanoを搭載している。 実験の結果、Squeezed Edge YOLOモデルのサイズは8倍に最適化され、エネルギー効率が76%向上し、3.3倍速くなった。
  論文  参考訳（メタデータ） (2023-12-18T21:27:34Z)
• Lightweight Face Recognition: An Improved MobileFaceNet Model [0.0]
  本稿では,MobileFaceNetとその修正版であるMMobileFaceNetについて述べる。 計算資源が限られているデバイス上での効率的なFRモデルの必要性は、メモリフットプリントを削減し、精度を犠牲にすることなく計算要求を減らしたモデルの開発につながった。
  論文  参考訳（メタデータ） (2023-11-26T15:01:00Z)
• EfficientFace: An Efficient Deep Network with Feature Enhancement for Accurate Face Detection [20.779512288834315]
  現在の軽量なCNNベースの顔検出器は、効率の取引精度が不十分で、特徴表現が不十分である。 本研究では,機能強化のための3つのモジュールを含むEfficientFaceと呼ばれる効率的なディープフェイス検出器を設計する。 4つの公開ベンチマークでEfficientFaceを評価し,その有効性を実証した。
  論文  参考訳（メタデータ） (2023-02-23T06:59:45Z)
• EdgeYOLO: An Edge-Real-Time Object Detector [69.41688769991482]
  本稿では, 最先端のYOLOフレームワークをベースとした, 効率的で低複雑さかつアンカーフリーな物体検出器を提案する。 我々は,訓練中の過剰適合を効果的に抑制する拡張データ拡張法を開発し,小型物体の検出精度を向上させるためにハイブリッドランダム損失関数を設計する。 私たちのベースラインモデルは、MS 2017データセットで50.6%のAP50:95と69.8%のAP50、VisDrone 2019-DETデータセットで26.4%のAP50と44.8%のAP50に達し、エッジコンピューティングデバイスNvidia上でリアルタイム要求(FPS>=30)を満たす。
  論文  参考訳（メタデータ） (2023-02-15T06:05:14Z)
• EdgeNeXt: Efficiently Amalgamated CNN-Transformer Architecture for Mobile Vision Applications [68.35683849098105]
  入力テンソルを複数のチャネルグループに分割するSDTAエンコーダを導入する。 1.3Mパラメータを持つEdgeNeXtモデルでは、ImageNet-1Kで71.2%のTop-1精度を実現している。 パラメータ5.6MのEdgeNeXtモデルでは、ImageNet-1Kで79.4%のTop-1精度を実現しています。
  論文  参考訳（メタデータ） (2022-06-21T17:59:56Z)
• Blind Face Restoration: Benchmark Datasets and a Baseline Model [63.053331687284064]
  Blind Face Restoration (BFR) は、対応する低品質 (LQ) 入力から高品質 (HQ) の顔画像を構築することを目的としている。 EDFace-Celeb-1M (BFR128) と EDFace-Celeb-150K (BFR512) と呼ばれる2つのブラインドフェイス復元ベンチマークデータセットを最初に合成する。 最先端の手法は、ブラー、ノイズ、低解像度、JPEG圧縮アーティファクト、それらの組み合わせ(完全な劣化)の5つの設定でベンチマークされる。
  論文  参考訳（メタデータ） (2022-06-08T06:34:24Z)
• SFace: Sigmoid-Constrained Hypersphere Loss for Robust Face Recognition [74.13631562652836]
  SFace(Sigmoid-Constrained hypersphere loss)と呼ばれる新しい損失関数を提案する。 SFaceは2つのシグモイド勾配再スケール関数によってそれぞれ制御される超球面多様体にクラス内およびクラス間制約を課す。 クラス内距離を減らし、ラベルノイズへの過度な適合を防ぎ、より堅牢なディープ顔認識モデルに寄与する。
  論文  参考訳（メタデータ） (2022-05-24T11:54:15Z)
• WebFace260M: A Benchmark for Million-Scale Deep Face Recognition [89.39080252029386]
  我々は、未修正4MのID/260Mの顔(WebFace260M)とクリーン2MのID/42Mの顔(WebFace42M)を含む新しい100万スケールの認識ベンチマークに貢献する。 分散フレームワークは、性能を損なうことなく、顔認識モデルを効率的に訓練するために開発された。 提案したベンチマークは、標準、マスク付き、偏見のない顔認識シナリオにおいて大きな可能性を示している。
  論文  参考訳（メタデータ） (2022-04-21T14:56:53Z)
• PocketNet: Extreme Lightweight Face Recognition Network using Neural Architecture Search and Multi-Step Knowledge Distillation [5.858033242850427]
  我々はニューラルアーキテクチャ検索を用いて、新しい顔認識モデル、すなわちPocketNetを開発した。 我々は,9つの異なるベンチマークにおいて,最近のコンパクト顔認証モデルとの比較実験を行った。 PocketNetsは9つの主要なベンチマークで、常に最先端(SOTA)の顔認識性能を向上してきた。
  論文  参考訳（メタデータ） (2021-08-24T13:19:08Z)
• FedFace: Collaborative Learning of Face Recognition Model [66.84737075622421]
  FedFaceは顔認識モデルの協調学習のためのフレームワークである。 各クライアントに格納された顔画像が、他のクライアントや中央ホストと共有されない、正確で汎用的な顔認識モデルを学ぶ。 コードとトレーニング済みモデルは公開される予定です。
  論文  参考訳（メタデータ） (2021-04-07T09:25:32Z)

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。