論文の概要: An Evaluation of Forensic Facial Recognition
- arxiv url: http://arxiv.org/abs/2311.06145v1
- Date: Fri, 10 Nov 2023 16:02:46 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-13 14:40:27.870920
- Title: An Evaluation of Forensic Facial Recognition
- Title(参考訳): 法医学的顔認証の評価
- Authors: Justin Norman, Shruti Agarwal, Hany Farid
- Abstract要約: 本稿では,大規模な合成顔データセットの構築と,顔の法医学的ラインアップについて述べる。
本稿では,2つのニューラルネットワーク認識システムの精度を評価する。
これまでに報告された顔認識の精度は95%以上低下し、このより困難な法医学的シナリオでは65%にまで低下した。
- 参考スコア(独自算出の注目度): 16.17759191184531
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Recent advances in machine learning and computer vision have led to reported
facial recognition accuracies surpassing human performance. We question if
these systems will translate to real-world forensic scenarios in which a
potentially low-resolution, low-quality, partially-occluded image is compared
against a standard facial database. We describe the construction of a
large-scale synthetic facial dataset along with a controlled facial forensic
lineup, the combination of which allows for a controlled evaluation of facial
recognition under a range of real-world conditions. Using this synthetic
dataset, and a popular dataset of real faces, we evaluate the accuracy of two
popular neural-based recognition systems. We find that previously reported face
recognition accuracies of more than 95% drop to as low as 65% in this more
challenging forensic scenario.
- Abstract(参考訳): 機械学習とコンピュータビジョンの最近の進歩は、人間のパフォーマンスを上回る顔認識の精度を報告している。
これらのシステムは、低解像度で品質の低い部分排除画像が、標準的な顔データベースと比較される、現実世界の法医学的なシナリオに変換されるかどうか疑問である。
本稿では,大規模な合成顔データセットの構築と,実世界のさまざまな条件下での顔認識の制御評価を可能にする,顔の法医学的ラインアップについて述べる。
この合成データセットと、実顔の一般的なデータセットを用いて、2つの一般的なニューラルネットワーク認識システムの精度を評価する。
以前報告された顔認識の精度は95%以上低下し、このより困難な法医学的シナリオでは65%まで低下した。
関連論文リスト
- 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) - Exploring Decision-based Black-box Attacks on Face Forgery Detection [53.181920529225906]
顔の偽造生成技術は鮮明な顔を生み出し、セキュリティとプライバシーに対する世間の懸念を高めている。
顔偽造検出は偽の顔の識別に成功しているが、最近の研究では顔偽造検出は敵の例に対して非常に脆弱であることが示されている。
論文 参考訳(メタデータ) (2023-10-18T14:49:54Z) - IDiff-Face: Synthetic-based Face Recognition through Fizzy
Identity-Conditioned Diffusion Models [15.217324893166579]
合成データセットは、顔認識開発のためのプライバシーに敏感な認証データに代わる有望な選択肢として登場した。
IDiff-Faceは、顔認識訓練のための現実的なアイデンティティ変動を伴う合成ID生成のための条件付き潜時拡散モデルに基づく、新しいアプローチである。
論文 参考訳(メタデータ) (2023-08-09T14:48:31Z) - Analysis of Recent Trends in Face Recognition Systems [0.0]
クラス間の類似性とクラス内変異により、顔認識システムは、それぞれ偽マッチングと偽非マッチエラーを生成する。
近年の研究では、抽出した特徴の堅牢性向上と、認識精度を高めるための前処理アルゴリズムに焦点が当てられている。
論文 参考訳(メタデータ) (2023-04-23T18:55:45Z) - Robustness Disparities in Face Detection [64.71318433419636]
本稿では,その顔検出システムの詳細なベンチマークとして,商業モデルと学術モデルのノイズに対する頑健性について検討する。
すべてのデータセットやシステム全体で、$textitmasculineである個人の写真が$textitdarker skin type$$$、$textitdarker$、または$textitdim lighting$は、他のIDよりもエラーの影響を受けやすい。
論文 参考訳(メタデータ) (2022-11-29T05:22:47Z) - Evaluation of Human and Machine Face Detection using a Novel Distinctive
Human Appearance Dataset [0.76146285961466]
画像中の顔を検出する能力において,現在最先端の顔検出モデルを評価する。
評価結果から,顔検出アルゴリズムは多様な外観に適さないことが示された。
論文 参考訳(メタデータ) (2021-11-01T02:20:40Z) - End2End Occluded Face Recognition by Masking Corrupted Features [82.27588990277192]
最先端の一般的な顔認識モデルは、隠蔽された顔画像に対してうまく一般化しない。
本稿では,1つのエンドツーエンドのディープニューラルネットワークに基づいて,オクルージョンに頑健な新しい顔認識手法を提案する。
我々のアプローチは、深い畳み込みニューラルネットワークから破損した特徴を発見し、動的に学習されたマスクによってそれらをきれいにする。
論文 参考訳(メタデータ) (2021-08-21T09:08:41Z) - 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) - 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)
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。