論文の概要: SynthDistill: Face Recognition with Knowledge Distillation from Synthetic Data

• arxiv url: http://arxiv.org/abs/2308.14852v1
• Date: Mon, 28 Aug 2023 19:15:27 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-30 17:01:37.337125
• Title: SynthDistill: Face Recognition with Knowledge Distillation from Synthetic Data
• Title（参考訳）: synthdistill: 合成データからの知識蒸留による顔認識
• Authors: Hatef Otroshi Shahreza, Anjith George, S\'ebastien Marcel
• Abstract要約: 最先端の顔認識ネットワークは計算コストが高く、モバイルアプリケーションでは利用できないことが多い。 本稿では,教師の事前学習した顔認識モデルの知識を合成データを用いて抽出し,軽量な顔認識モデルを訓練するための新しい枠組みを提案する。 我々は、識別ラベルのない合成顔画像を用いて、合成データセットのクラス内変動生成における問題を緩和する。
• 参考スコア（独自算出の注目度）: 8.026313049094146
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: State-of-the-art face recognition networks are often computationally expensive and cannot be used for mobile applications. Training lightweight face recognition models also requires large identity-labeled datasets. Meanwhile, there are privacy and ethical concerns with collecting and using large face recognition datasets. While generating synthetic datasets for training face recognition models is an alternative option, it is challenging to generate synthetic data with sufficient intra-class variations. In addition, there is still a considerable gap between the performance of models trained on real and synthetic data. In this paper, we propose a new framework (named SynthDistill) to train lightweight face recognition models by distilling the knowledge of a pretrained teacher face recognition model using synthetic data. We use a pretrained face generator network to generate synthetic face images and use the synthesized images to learn a lightweight student network. We use synthetic face images without identity labels, mitigating the problems in the intra-class variation generation of synthetic datasets. Instead, we propose a novel dynamic sampling strategy from the intermediate latent space of the face generator network to include new variations of the challenging images while further exploring new face images in the training batch. The results on five different face recognition datasets demonstrate the superiority of our lightweight model compared to models trained on previous synthetic datasets, achieving a verification accuracy of 99.52% on the LFW dataset with a lightweight network. The results also show that our proposed framework significantly reduces the gap between training with real and synthetic data. The source code for replicating the experiments is publicly released.
• Abstract（参考訳）: 最先端の顔認識ネットワークはしばしば計算コストが高く、モバイルアプリケーションでは利用できない。 軽量顔認識モデルのトレーニングには、大きなIDラベル付きデータセットも必要である。 一方、大きな顔認識データセットの収集と使用には、プライバシと倫理的な懸念がある。 顔認識モデルのトレーニングのための合成データセットの生成は別の選択肢であるが、十分なクラス内変異を持つ合成データを生成することは困難である。 さらに、実データと合成データでトレーニングされたモデルのパフォーマンスには、依然としてかなりのギャップがある。 本稿では,教師が事前学習した顔認識モデルの知識を合成データを用いて抽出し,軽量な顔認識モデルを訓練するフレームワーク(SynthDistill)を提案する。 予め訓練された顔生成ネットワークを用いて合成顔画像を生成し,合成画像を用いて軽量な学生ネットワークを学習する。 識別ラベルのない合成顔画像を用いて、合成データセットのクラス内変動生成における問題を緩和する。 そこで本研究では,顔生成ネットワークの中間潜時空間から新たな動的サンプリング手法を提案し,課題の画像の新たなバリエーションを含むとともに,トレーニングバッチにおける新たな顔画像の探索を行う。 5つの異なる顔認識データセットの結果は、以前の合成データセットでトレーニングされたモデルと比較して、我々の軽量モデルの優位を示し、軽量ネットワークでlfwデータセット上で99.52%の検証精度を達成している。 また,提案フレームワークは,実データと合成データとのトレーニング間のギャップを大幅に低減することを示した。 実験を複製するソースコードが公開されている。

関連論文リスト

• HyperFace: Generating Synthetic Face Recognition Datasets by Exploring Face Embedding Hypersphere [22.8742248559748]
  顔認識データセットは、インターネットをクロールし、個人の同意なしに収集されることが多く、倫理的およびプライバシー上の懸念を提起する。 顔認識モデルをトレーニングするための合成データセットの生成は、有望な代替手段として浮上している。 我々はHyperFaceと呼ばれる新しい合成データセット生成手法を提案する。
  論文  参考訳（メタデータ） (2024-11-13T09:42:12Z)
• Unveiling Synthetic Faces: How Synthetic Datasets Can Expose Real Identities [22.8742248559748]
  6つの最先端の合成顔認識データセットにおいて、元の実データからのサンプルが漏洩していることを示す。 本論文は,ジェネレータモデルのトレーニングデータから生成した合成顔認証データセットへの漏洩を示す最初の研究である。
  論文  参考訳（メタデータ） (2024-10-31T15:17:14Z)
• Second Edition FRCSyn Challenge at CVPR 2024: Face Recognition Challenge in the Era of Synthetic Data [104.45155847778584]
  本稿では,合成データ時代における第2回顔認識チャレンジの概要について述べる。 FRCSynは、現在の技術的制限に対処するために、顔認識における合成データの使用について調査することを目的としている。
  論文  参考訳（メタデータ） (2024-04-16T08:15:10Z)
• 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)
• Is Synthetic Image Useful for Transfer Learning? An Investigation into Data Generation, Volume, and Utilization [62.157627519792946]
  ブリッジドトランスファー(ブリッジドトランスファー)と呼ばれる新しいフレームワークを導入する。このフレームワークは、当初、トレーニング済みモデルの微調整に合成画像を使用し、転送性を向上させる。 合成画像と実画像のスタイルアライメントを改善するために,データセットスタイルの逆変換方式を提案する。 提案手法は10の異なるデータセットと5つの異なるモデルで評価され、一貫した改善が示されている。
  論文  参考訳（メタデータ） (2024-03-28T22:25:05Z)
• Is synthetic data from generative models ready for image recognition? [69.42645602062024]
  本研究では,最新のテキスト・画像生成モデルから生成した合成画像が,画像認識タスクにどのように利用できるかを検討した。 本稿では,既存の生成モデルからの合成データの強大さと欠点を示し,認識タスクに合成データを適用するための戦略を提案する。
  論文  参考訳（メタデータ） (2022-10-14T06:54:24Z)
• 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)
• 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)

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。