論文の概要: Fine-Grained Annotation for Face Anti-Spoofing

• arxiv url: http://arxiv.org/abs/2310.08142v1
• Date: Thu, 12 Oct 2023 08:57:33 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-14 12:11:24.653290
• Title: Fine-Grained Annotation for Face Anti-Spoofing
• Title（参考訳）: Face Anti-Spoofing のためのファイングラインドアノテーション
• Authors: Xu Chen, Yunde Jia, Yuwei Wu
• Abstract要約: 顔の偽造防止は、プレゼンテーション攻撃から顔認識システムを保護する上で重要な役割を担っている。 顔の偽造防止のための微粒なアノテーション手法を提案する。 提案手法は,データ内およびデータ間評価において,既存の最先端手法よりも優れている。
• 参考スコア（独自算出の注目度）: 38.455478845299425
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Face anti-spoofing plays a critical role in safeguarding facial recognition systems against presentation attacks. While existing deep learning methods show promising results, they still suffer from the lack of fine-grained annotations, which lead models to learn task-irrelevant or unfaithful features. In this paper, we propose a fine-grained annotation method for face anti-spoofing. Specifically, we first leverage the Segment Anything Model (SAM) to obtain pixel-wise segmentation masks by utilizing face landmarks as point prompts. The face landmarks provide segmentation semantics, which segments the face into regions. We then adopt these regions as masks and assemble them into three separate annotation maps: spoof, living, and background maps. Finally, we combine three separate maps into a three-channel map as annotations for model training. Furthermore, we introduce the Multi-Channel Region Exchange Augmentation (MCREA) to diversify training data and reduce overfitting. Experimental results demonstrate that our method outperforms existing state-of-the-art approaches in both intra-dataset and cross-dataset evaluations.
• Abstract（参考訳）: 顔の偽造防止は、プレゼンテーション攻撃から顔認識システムを保護する上で重要な役割を果たす。 既存のディープラーニング手法は有望な結果を示しているが、まだ細かなアノテーションの欠如に苦しめられている。 本稿では,顔の偽造防止のための微粒なアノテーション手法を提案する。 具体的には,まずSegment Anything Model(SAM)を用いて,顔のランドマークをポイントプロンプトとして利用することにより,画素単位のセグメンテーションマスクを得る。 顔のランドマークはセグメンテーションのセマンティクスを提供し、顔を領域に分割する。 次にこれらの領域をマスクとして採用し、それらをspoof、living、background mapという3つのアノテーションマップにまとめます。 最後に、3つの異なるマップをモデルトレーニングのアノテーションとして3チャンネルマップに結合する。 さらに,MCREA(Multi-Channel Region Exchange Augmentation)を導入し,トレーニングデータの多様化とオーバーフィッティングの低減を図る。 実験の結果,本手法はデータ内評価とクロスデータセット評価の両方において,既存の最先端手法よりも優れていることがわかった。

関連論文リスト

• Neural Semantic Surface Maps [52.61017226479506]
  本稿では,2つの属とゼロの形状の地図を自動計算する手法を提案する。 提案手法は,手動のアノテーションや3Dトレーニングデータ要求を排除し,意味的表面-表面マップを生成する。
  論文  参考訳（メタデータ） (2023-09-09T16:21:56Z)
• CPCM: Contextual Point Cloud Modeling for Weakly-supervised Point Cloud Semantic Segmentation [60.0893353960514]
  疎アノテーションを用いた弱教師付きポイントクラウドセマンティックセマンティックセグメンテーションの課題について検討する。 本研究では,地域マスキング(RegionMask)戦略とコンテキストマスキングトレーニング(CMT)手法の2つの部分からなるコンテキストポイントクラウドモデリング(CPCM)手法を提案する。
  論文  参考訳（メタデータ） (2023-07-19T04:41:18Z)
• What You See is What You Classify: Black Box Attributions [61.998683569022006]
  我々は、トレーニング済みのブラックボックス分類器であるExpplanandumの属性を予測するために、ディープネットワークであるExplainerを訓練する。 既存のほとんどのアプローチとは異なり、我々の手法はクラス固有のマスクを直接生成することができる。 我々の属性は、視覚的および定量的に確立された方法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-05-23T12:30:04Z)
• Leveraging Uncertainty for Deep Interpretable Classification and Weakly-Supervised Segmentation of Histology Images [25.429124017422385]
  深い教師付き手法は、解釈可能性のための画像分類とROIセグメンテーションを可能にする。 これらの手法は、偽陽性率を高める非識別領域を明示的にモデル化するメカニズムを欠いている。 本研究では,非識別領域と識別領域の両方を求める新しい正規化項を提案する。
  論文  参考訳（メタデータ） (2022-05-12T02:18:23Z)
• Privileged Attribution Constrained Deep Networks for Facial Expression Recognition [31.98044070620145]
  顔の表情認識(FER)は、機械が人間の振る舞いをよりよく理解できるようにするため、多くの研究領域において重要である。 これらの問題を緩和するために、私たちはモデルに、目、口、まぶたなどの特定の顔領域に集中するよう指導する。 PAL(Privleged Attribution Loss)は,最も健康な顔領域に向けて,モデルの注意を向ける手法である。
  論文  参考訳（メタデータ） (2022-03-24T07:49:33Z)
• FaceOcc: A Diverse, High-quality Face Occlusion Dataset for Human Face Extraction [3.8502825594372703]
  隠蔽は野生の顔画像にしばしば発生し、ランドマーク検出や3D再構成、顔認識といった顔関連の課題に悩まされる。 本稿では,CelebA本社とインターネットから手動で顔の隠蔽をラベル付けした新しい顔のセグメンテーションデータセットを提案する。 簡単な顔分割モデルの訓練を行ったが,SOTA性能が得られ,提案したデータセットの有効性を実証した。
  論文  参考訳（メタデータ） (2022-01-20T19:44:18Z)
• Occlusion-Adaptive Deep Network for Robust Facial Expression Recognition [56.11054589916299]
  本研究では,隠蔽領域から腐敗した特徴を発見・破棄するためのランドマーク誘導型アテンションブランチを提案する。 注意マップが最初に作成され、特定の顔部が閉鎖されているかどうかを示し、我々のモデルを非閉鎖領域に誘導する。 これにより、顔が部分的に隠されている場合でも、表情認識システムが回復することができる。
  論文  参考訳（メタデータ） (2020-05-12T20:42:55Z)
• Deep Spatial Gradient and Temporal Depth Learning for Face Anti-spoofing [61.82466976737915]
  深層学習は、顔の反偽造の最も効果的な方法の1つとして証明されている。 2つの洞察に基づいて,複数フレームからの提示攻撃を検出する新しい手法を提案する。 提案手法は,5つのベンチマークデータセットの最先端結果を実現する。
  論文  参考訳（メタデータ） (2020-03-18T06:11:20Z)

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。