論文の概要: A Study on the Impact of Face Image Quality on Face Recognition in the
Wild
- arxiv url: http://arxiv.org/abs/2307.02679v1
- Date: Wed, 5 Jul 2023 22:41:14 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-07 15:42:48.198120
- Title: A Study on the Impact of Face Image Quality on Face Recognition in the
Wild
- Title（参考訳）: 野生における顔画像品質が顔認識に及ぼす影響に関する研究
- Authors: Na Zhang
- Abstract要約: 本研究では,野生の顔画像における深層学習手法の性能評価を行い,これらのデータを用いた人間の顔検証実験を設計する。
この結果から,ディープラーニングにおける品質問題の研究は依然として徹底的に行う必要があることが示唆された。
- 参考スコア（独自算出の注目度）: 6.916620974833163
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deep learning has received increasing interests in face recognition recently.
Large quantities of deep learning methods have been proposed to handle various
problems appeared in face recognition. Quite a lot deep methods claimed that
they have gained or even surpassed human-level face verification performance in
certain databases. As we know, face image quality poses a great challenge to
traditional face recognition methods, e.g. model-driven methods with
hand-crafted features. However, a little research focus on the impact of face
image quality on deep learning methods, and even human performance. Therefore,
we raise a question: Is face image quality still one of the challenges for deep
learning based face recognition, especially in unconstrained condition. Based
on this, we further investigate this problem on human level. In this paper, we
partition face images into three different quality sets to evaluate the
performance of deep learning methods on cross-quality face images in the wild,
and then design a human face verification experiment on these cross-quality
data. The result indicates that quality issue still needs to be studied
thoroughly in deep learning, human own better capability in building the
relations between different face images with large quality gaps, and saying
deep learning method surpasses human-level is too optimistic.
- Abstract（参考訳）: ディープラーニングは最近、顔認識への関心が高まっている。
顔認識に現れる様々な問題に対処するために,多数のディープラーニング手法が提案されている。
かなり深い手法が、特定のデータベースで人間レベルの顔認証性能を獲得した、あるいは超えていると主張した。
私たちが知っているように、顔画像の品質は、例えば手作りの機能を備えたモデル駆動方式など、従来の顔認識方法にとって大きな課題となる。
しかし、顔の画質が深層学習方法や人的パフォーマンスに与える影響についてはほとんど研究されていない。
したがって, 顔画像の品質は, 深層学習に基づく顔認識の課題の1つであり, 特に制約のない状態での課題である。
これを踏まえて,この問題を人間レベルでさらに検討する。
本稿では,顔画像を3つの異なる品質セットに分割し,荒野における顔画像の深層学習手法の性能評価を行い,これらの品質データを用いた人間の顔検証実験を設計する。
以上の結果から,深層学習では品質課題を徹底的に検討する必要があること,品質ギャップが大きい異なる顔画像間の関係を構築する上で,人間自身の能力が向上していること,深層学習の方法が人間レベルを超えることは楽観的すぎることなどが分かる。
関連論文リスト
- Rank-based No-reference Quality Assessment for Face Swapping [88.53827937914038]
顔スワップ法における品質測定の基準は、操作された画像とソース画像の間のいくつかの距離に依存する。
顔スワップ用に設計された新しい非参照画像品質評価法(NR-IQA)を提案する。
論文 参考訳（メタデータ） (2024-06-04T01:36:29Z) - DeepFidelity: Perceptual Forgery Fidelity Assessment for Deepfake
Detection [67.3143177137102]
ディープフェイク検出(Deepfake detection)とは、画像やビデオにおいて、人工的に生成された顔や編集された顔を検出すること。
本稿では,実顔と偽顔とを適応的に識別するDeepFidelityという新しいDeepfake検出フレームワークを提案する。
論文 参考訳（メタデータ） (2023-12-07T07:19:45Z) - Face Image Quality Enhancement Study for Face Recognition [6.916620974833163]
画像品質の低い大容量データベースを組み立て,3種類の品質セットを対象とした顔認識アルゴリズムの性能について検討する。
我々は,低画質の顔写真で認識するための新しいプロトコルを開発し,その性能を実験的に検証する。
論文 参考訳（メタデータ） (2023-07-08T08:51:26Z) - A survey on facial image deblurring [3.6775758132528877]
顔画像がぼやけていると、顔認識などのハイレベルな視覚タスクに大きな影響を与えます。
本稿では,最近発表された顔画像の難読化手法について概説し,その大部分はディープラーニングに基づくものである。
本稿では,データセットとメトリクスにおける古典的手法の性能を示すとともに,モデルに基づく手法と学習に基づく手法の違いについて,簡単な議論を行う。
論文 参考訳（メタデータ） (2023-02-10T02:24:56Z) - Eight Years of Face Recognition Research: Reproducibility, Achievements
and Open Issues [6.608320705848282]
過去30年間に多くの異なる顔認識アルゴリズムが提案されてきた。
2015年からは、最先端の顔認識がディープラーニングモデルに根ざしている。
この研究は、2014年に開発され、2016年に出版されたこれまでの研究のフォローアップであり、顔認識アルゴリズムに対する様々な顔の側面の影響を示している。
論文 参考訳（メタデータ） (2022-08-08T10:40:29Z) - Network Architecture Search for Face Enhancement [82.25775020564654]
我々は、NASFE(Network Architecture Search for Face Enhancement)と呼ばれるマルチタスクの顔復元ネットワークを提案する。
NASFEは、単一の劣化(すなわち)を含む低品質の顔画像を高めることができる。
ノイズまたはぼやけ)または複数の劣化(ノイズ+ブラル+ローライト)
論文 参考訳（メタデータ） (2021-05-13T19:46:05Z) - Joint Face Image Restoration and Frontalization for Recognition [79.78729632975744]
現実世界のシナリオでは、大きなポーズ、悪い照明、低解像度、ぼやけ、ノイズなど、多くの要因が顔認識性能を損なう可能性がある。
それまでの努力は通常、まず品質の低い顔から高品質な顔に復元し、次に顔認識を行う。
与えられた低品質の顔からフロンダル化された高品質の顔を復元する多段階顔復元モデルを提案する。
論文 参考訳（メタデータ） (2021-05-12T03:52:41Z) - Deep Learning-based Face Super-resolution: A Survey [78.11274281686246]
顔の超解像、別名顔の幻覚は、ドメイン固有のイメージの超解像問題です。
現在、深層学習に基づく顔の超解像に関する研究の要約は少ない。
本調査では,超解像面における深層学習の手法を体系的に総合的に検討する。
論文 参考訳（メタデータ） (2021-01-11T08:17:11Z) - 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) - Face Image Quality Assessment: A Literature Survey [16.647739693192236]
本調査は、主に可視波長の顔画像入力に焦点を当てた顔画像品質評価文献の概要を提供する。
深層学習に基づく手法の傾向が観察され,近年のアプローチにおける概念的差異が顕著である。
論文 参考訳（メタデータ） (2020-09-02T14:26:12Z)
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。