論文の概要: Enhancing Kinship Verification through Multiscale Retinex and Combined
Deep-Shallow features
- arxiv url: http://arxiv.org/abs/2312.03562v1
- Date: Wed, 6 Dec 2023 15:52:31 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-07 14:20:44.215319
- Title: Enhancing Kinship Verification through Multiscale Retinex and Combined
Deep-Shallow features
- Title(参考訳): マルチスケールレチネックスと複合ディープシャロー特徴による関係検証の強化
- Authors: El Ouanas Belabbaci, Mohammed Khammari, Ammar Chouchane, Mohcene
Bessaoudi, Abdelmalik Ouamane, Yassine Himeur, Shadi Atalla and Wathiq
Mansoor
- Abstract要約: 本研究では,Multiscale Retinex (MSR) という,画像品質を向上しコントラストを増大させる前処理手法を統合する。
深い特徴抽出のために、畳み込みニューラルネットワークで事前訓練されたVGG16モデルの長所に目を向ける。
本手法のロバスト性および有効性は、3つの厳密な親和性データセットの綿密な実験により検証された。
- 参考スコア(独自算出の注目度): 2.829220962949294
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The challenge of kinship verification from facial images represents a
cutting-edge and formidable frontier in the realms of pattern recognition and
computer vision. This area of study holds a myriad of potential applications,
spanning from image annotation and forensic analysis to social media research.
Our research stands out by integrating a preprocessing method named Multiscale
Retinex (MSR), which elevates image quality and amplifies contrast, ultimately
bolstering the end results. Strategically, our methodology capitalizes on the
harmonious blend of deep and shallow texture descriptors, merging them
proficiently at the score level through the Logistic Regression (LR) method. To
elucidate, we employ the Local Phase Quantization (LPQ) descriptor to extract
shallow texture characteristics. For deep feature extraction, we turn to the
prowess of the VGG16 model, which is pre-trained on a convolutional neural
network (CNN). The robustness and efficacy of our method have been put to the
test through meticulous experiments on three rigorous kinship datasets, namely:
Cornell Kin Face, UB Kin Face, and TS Kin Face.
- Abstract(参考訳): 顔画像からの親族関係検証の課題は、パターン認識とコンピュータビジョンの領域における最先端と強迫的なフロンティアを表している。
この研究分野は、画像の注釈や法医学的分析からソーシャルメディアの研究まで、無数の応用可能性を持っている。
我々の研究は、画像の品質を高めコントラストを増幅するMultiscale Retinex (MSR) という事前処理手法を統合することで、最終的に結果の裏付けとなる。
戦略的には, 深層と浅層テクスチャ記述子の調和度を活かし, ロジスティック回帰 (lr) 法を用いて, スコアレベルで巧みに融合する手法である。
そこで我々は, 局所位相量子化(LPQ)ディスクリプタを用いて, 浅いテクスチャ特性を抽出する。
深い特徴抽出のために、畳み込みニューラルネットワーク(cnn)上で事前学習されたvgg16モデルの確率に目を向ける。
本手法のロバスト性と有効性は,3つの厳密な親和性データセット(コーネルキンフェイス,UBキンフェイス,TSキンフェイス)の厳密な実験により検証された。
関連論文リスト
- Improving Neural Surface Reconstruction with Feature Priors from Multi-View Image [87.00660347447494]
ニューラルサーフェス・コンストラクション(NSR)の最近の進歩は、ボリュームレンダリングと組み合わせることで、マルチビュー・コンストラクションを著しく改善している。
本稿では,多種多様な視覚的タスクから価値ある特徴を活用すべく,特徴レベルの一貫した損失について検討する。
DTU と EPFL を用いて解析した結果,画像マッチングと多視点ステレオデータセットによる特徴が,他のプリテキストタスクよりも優れていたことが判明した。
論文 参考訳(メタデータ) (2024-08-04T16:09:46Z) - Towards More General Video-based Deepfake Detection through Facial Feature Guided Adaptation for Foundation Model [15.61920157541529]
内部にリッチな情報をエンコードしたファンデーションモデルを適用することにより,新しいディープフェイク検出手法を提案する。
近年のパラメータ効率の良い微調整技術に触発されて,新しいサイドネットワーク型デコーダを提案する。
提案手法は,見知らぬディープフェイクサンプルの同定に優れた有効性を示し,顕著な性能向上を実現している。
論文 参考訳(メタデータ) (2024-04-08T14:58:52Z) - Multi-Scale Texture Loss for CT denoising with GANs [0.9349653765341301]
損失関数にマルチスケールテクスチャ情報をキャプチャして埋め込む新しい手法を提案する。
本稿では,自己認識層によって動的に集約された画像の多スケールテクスチャ表現について紹介する。
低用量CTで広範な実験を行うことで,本手法の有効性を検証した。
論文 参考訳(メタデータ) (2024-03-25T11:28:52Z) - Fusion of Deep and Shallow Features for Face Kinship Verification [0.44855664250147465]
この研究は、Multiscale Retinex(MSR)と呼ばれる前処理技術を導入することで、顕著な貢献をしている。
提案手法は,相補的深度(VGG16)と浅部テクスチャ記述子(BSIF)の強度を,ロジスティック回帰(LR)技術を用いてスコアレベルで組み合わせることによって活用する。
論文 参考訳(メタデータ) (2023-12-16T14:36:43Z) - Neural Point-based Volumetric Avatar: Surface-guided Neural Points for
Efficient and Photorealistic Volumetric Head Avatar [62.87222308616711]
ニューラルポイント表現とニューラルボリュームレンダリングプロセスを採用したフルネーム(名前)を提案する。
具体的には、ニューラルポイントは高分解能UV変位マップを介してターゲット表現の表面を戦略的に拘束する。
設計上は,アバターをアニメーションする際の正確な表現制御を確保しつつ,地形的に変化する領域や細い構造を扱えるように設計されている。
論文 参考訳(メタデータ) (2023-07-11T03:40:10Z) - Joint Learning of Deep Texture and High-Frequency Features for
Computer-Generated Image Detection [24.098604827919203]
本稿では,CG画像検出のための深いテクスチャと高周波特徴を有する共同学習戦略を提案する。
セマンティックセグメンテーションマップを生成して、アフィン変換操作を誘導する。
原画像と原画像の高周波成分の組み合わせを、注意機構を備えたマルチブランチニューラルネットワークに供給する。
論文 参考訳(メタデータ) (2022-09-07T17:30:40Z) - Rank-Enhanced Low-Dimensional Convolution Set for Hyperspectral Image
Denoising [50.039949798156826]
本稿では,ハイパースペクトル(HS)画像の難解化問題に対処する。
ランク付き低次元畳み込み集合(Re-ConvSet)を提案する。
次に、Re-ConvSetを広く使われているU-Netアーキテクチャに組み込んで、HS画像復号法を構築する。
論文 参考訳(メタデータ) (2022-07-09T13:35:12Z) - Hierarchical Similarity Learning for Aliasing Suppression Image
Super-Resolution [64.15915577164894]
エイリアスの影響を抑制するために階層画像超解像ネットワーク(HSRNet)を提案する。
HSRNetは、他の作品よりも定量的かつ視覚的なパフォーマンスを向上し、エイリアスをより効果的に再送信する。
論文 参考訳(メタデータ) (2022-06-07T14:55:32Z) - Hierarchical Deep CNN Feature Set-Based Representation Learning for
Robust Cross-Resolution Face Recognition [59.29808528182607]
クロスリゾリューション顔認識(CRFR)は、インテリジェントな監視およびバイオメトリックフォレンジックにおいて重要である。
既存の浅層学習と深層学習に基づく手法は、HR-LR対を共同特徴空間にマッピングすることに焦点を当てている。
本研究では,多レベル深層畳み込みニューラルネットワーク(CNN)の機能を完全に活用し,堅牢なCRFRを実現することを目的とする。
論文 参考訳(メタデータ) (2021-03-25T14:03:42Z) - DWDN: Deep Wiener Deconvolution Network for Non-Blind Image Deblurring [66.91879314310842]
本稿では,古典的なWienerデコンボリューションフレームワークを学習深い特徴と統合することにより,特徴空間における明示的なデコンボリューションプロセスを提案する。
マルチスケールのカスケード機能改善モジュールは、分離された深い特徴から退色画像を予測する。
提案したDeep Wienerデコンボリューションネットワークは,目に見える成果物が少なく,かつ,最先端の非盲点画像デコンボリューション手法を広いマージンで定量的に上回っていることを示す。
論文 参考訳(メタデータ) (2021-03-18T00:38:11Z) - Kernelized dense layers for facial expression recognition [10.98068123467568]
本稿では,従来の線形関係ではなく,高次特徴相互作用をキャプチャするカーネル化Dense Layer (KDL)を提案する。
本モデルでは,最先端のアプローチに関して,競争力のある結果が得られることを示す。
論文 参考訳(メタデータ) (2020-09-22T21:02:00Z)
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。