論文の概要: Explaining Deep Face Algorithms through Visualization: A Survey

• arxiv url: http://arxiv.org/abs/2309.14715v1
• Date: Tue, 26 Sep 2023 07:16:39 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-27 14:43:34.140482
• Title: Explaining Deep Face Algorithms through Visualization: A Survey
• Title（参考訳）: 可視化によるディープフェイスアルゴリズムの説明:調査
• Authors: Thrupthi Ann John, Vineeth N Balasubramanian, C. V. Jawahar
• Abstract要約: 本研究は、顔領域における説明可能性アルゴリズムの第一種メタ分析を行う。 既存のフェース説明可能性について概観し、フェースネットワークの構造と階層に関する貴重な知見を明らかにする。
• 参考スコア（独自算出の注目度）: 57.60696799018538
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Although current deep models for face tasks surpass human performance on some benchmarks, we do not understand how they work. Thus, we cannot predict how it will react to novel inputs, resulting in catastrophic failures and unwanted biases in the algorithms. Explainable AI helps bridge the gap, but currently, there are very few visualization algorithms designed for faces. This work undertakes a first-of-its-kind meta-analysis of explainability algorithms in the face domain. We explore the nuances and caveats of adapting general-purpose visualization algorithms to the face domain, illustrated by computing visualizations on popular face models. We review existing face explainability works and reveal valuable insights into the structure and hierarchy of face networks. We also determine the design considerations for practical face visualizations accessible to AI practitioners by conducting a user study on the utility of various explainability algorithms.
• Abstract（参考訳）: 現在のフェイスタスクの深いモデルは、いくつかのベンチマークで人間のパフォーマンスを上回っていますが、それらの動作方法を理解していません。 したがって、新しい入力に対してどのように反応するかは予測できないため、破滅的な失敗やアルゴリズムの望ましくないバイアスが発生する。 説明可能なAIはギャップを埋めるのに役立つが、現在、顔のために設計された視覚化アルゴリズムはほとんどない。 この研究は、顔領域における説明可能性アルゴリズムの最初のメタ分析を行う。 顔領域に汎用的な視覚化アルゴリズムを適用する際のニュアンスと注意点を探索し、一般的な顔モデル上での可視化の計算によって説明する。 我々は,既存の顔説明作業について検討し,顔ネットワークの構造と階層構造に関する貴重な知見を明らかにする。 また,様々な説明可能性アルゴリズムの有用性についてユーザ研究を行うことにより,AI実践者が利用できる実用的な顔の可視化設計の考察も行う。

関連論文リスト

• Fiper: a Visual-based Explanation Combining Rules and Feature Importance [3.2982707161882967]
  説明可能な人工知能は、いわゆるブラックボックスアルゴリズムの予測を説明するツールとテクニックを設計することを目的としている。 本稿では,特徴量と組み合わせたルールを視覚的に記述する手法を提案する。
  論文  参考訳（メタデータ） (2024-04-25T09:15:54Z)
• Bridging Human Concepts and Computer Vision for Explainable Face Verification [2.9602845959184454]
  本稿では,顔認証アルゴリズムの解釈可能性を高めるために,コンピュータと人間の視覚を組み合わせるアプローチを提案する。 特に、機械が人間の意味領域をどう知覚するかを理解するための人間の知覚過程にインスピレーションを受けています。
  論文  参考訳（メタデータ） (2024-01-30T09:13:49Z)
• SEVA: Leveraging sketches to evaluate alignment between human and machine visual abstraction [19.70530050403922]
  スケッチは、スパースだが有意義な抽象イメージを作成するための強力なツールである。 現在の視覚アルゴリズムは様々な視覚的タスクにおいて高い性能を達成している。 スケッチがどの程度人間的な方法で理解されているかは、まだ不明である。
  論文  参考訳（メタデータ） (2023-12-05T13:54:55Z)
• Discriminative Deep Feature Visualization for Explainable Face Recognition [9.105950041800225]
  本稿では、まず、顔再構成に基づく説明モジュールを考案し、説明可能な顔認識の問題に寄与する。 FRモデルの決定をさらに解釈するため、新しい視覚的サリエンシ説明アルゴリズムが提案されている。
  論文  参考訳（メタデータ） (2023-06-01T07:06:43Z)
• 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)
• 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)
• Black-Box Face Recovery from Identity Features [61.950765357647605]
  我々はアルゴリズムをテストするために最先端の顔認識システム(ArcFace)を攻撃した。 我々のアルゴリズムは、最先端のソリューションに比べて、はるかに少ないクエリを必要とする。
  論文  参考訳（メタデータ） (2020-07-27T15:25:38Z)
• On the Robustness of Face Recognition Algorithms Against Attacks and Bias [78.68458616687634]
  顔認識アルゴリズムは非常に高い認識性能を示しており、現実のアプリケーションに適していることを示唆している。 精度が向上したにもかかわらず、これらのアルゴリズムの攻撃や偏見に対する堅牢性は問題視されている。 本稿では,顔認識アルゴリズムの頑健性に挑戦する様々な方法について要約する。
  論文  参考訳（メタデータ） (2020-02-07T18:21:59Z)
• Exploiting Semantics for Face Image Deblurring [121.44928934662063]
  本稿では,深層畳み込みニューラルネットワークによる意味的手がかりを利用して,効果的かつ効率的な顔分解アルゴリズムを提案する。 顔のセマンティックラベルを入力先として組み込んで,顔の局所構造を正規化するための適応的構造損失を提案する。 提案手法は、より正確な顔の特徴と細部を持つシャープ画像を復元する。
  論文  参考訳（メタデータ） (2020-01-19T13:06:27Z)

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。