論文の概要: Improved Face Representation via Joint Label Classification and Supervised Contrastive Clustering

• arxiv url: http://arxiv.org/abs/2312.04029v1
• Date: Thu, 7 Dec 2023 03:55:20 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-08 16:18:55.165664
• Title: Improved Face Representation via Joint Label Classification and Supervised Contrastive Clustering
• Title（参考訳）: ジョイントラベル分類と教師付きコントラストクラスタリングによる顔表現の改善
• Authors: Zhenduo Zhang
• Abstract要約: 顔クラスタリングタスクは、大規模なデータから階層的なセマンティック情報を学ぶことができる。 本稿では,従来の顔認識タスクにクラスタ知識を導入するために,ラベル分類と教師付きコントラストクラスタリングの協調最適化タスクを提案する。
• 参考スコア（独自算出の注目度）: 5.874142059884521
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Face clustering tasks can learn hierarchical semantic information from large-scale data, which has the potential to help facilitate face recognition. However, there are few works on this problem. This paper explores it by proposing a joint optimization task of label classification and supervised contrastive clustering to introduce the cluster knowledge to the traditional face recognition task in two ways. We first extend ArcFace with a cluster-guided angular margin to adjust the within-class feature distribution according to the hard level of face clustering. Secondly, we propose a supervised contrastive clustering approach to pull the features to the cluster center and propose the cluster-aligning procedure to align the cluster center and the learnable class center in the classifier for joint training. Finally, extensive qualitative and quantitative experiments on popular facial benchmarks demonstrate the effectiveness of our paradigm and its superiority over the existing approaches to face recognition.
• Abstract（参考訳）: 顔クラスタリングタスクは、大規模なデータから階層的な意味情報を学習することができる。 しかし、この問題に関する研究はほとんどない。 本稿では,従来の顔認識タスクにクラスタ知識を導入するために,ラベル分類と教師付きコントラストクラスタリングの協調最適化タスクを提案する。 まずArcFaceをクラスタ誘導の角マージンで拡張し、顔クラスタリングのハードレベルに応じてクラス内特徴分布を調整します。 次に,クラスタセンターに特徴を引き出すための教師付きコントラストクラスタリング手法を提案し,クラスタセンターと学習可能なクラスセンターを協調訓練用分類器に整列させるクラスタアライメント手法を提案する。 最後に、一般的な顔のベンチマークにおける定性的、定量的な実験により、我々のパラダイムの有効性と、既存の顔認識手法よりも優れていることを示す。

関連論文リスト

• CLUSTSEG: Clustering for Universal Segmentation [56.58677563046506]
  CLUSTSEGは画像セグメンテーションのための一般的なトランスフォーマーベースのフレームワークである。 これは、統合されたニューラルクラスタリングスキームを通じて、異なるイメージセグメンテーションタスク(スーパーピクセル、セマンティック、インスタンス、パノプティクス)に取り組む。
  論文  参考訳（メタデータ） (2023-05-03T15:31:16Z)
• On Mitigating Hard Clusters for Face Clustering [48.39472979642971]
  顔クラスタリングは、大規模な未ラベルの顔画像を使用して顔認識システムをスケールアップするための有望な方法である。 我々はNDDe(Neighborhood-Diffusion-based Density)とTPDi(Transition-Probability-based Distance)の2つの新しいモジュールを紹介した。 複数のベンチマーク実験により,各モジュールが最終性能に寄与することが示された。
  論文  参考訳（メタデータ） (2022-07-25T03:55:15Z)
• DeepCluE: Enhanced Image Clustering via Multi-layer Ensembles in Deep Neural Networks [53.88811980967342]
  本稿では,Ensembles (DeepCluE) を用いたDeep Clusteringを提案する。 ディープニューラルネットワークにおける複数のレイヤのパワーを活用することで、ディープクラスタリングとアンサンブルクラスタリングのギャップを埋める。 6つの画像データセットの実験結果から、最先端のディープクラスタリングアプローチに対するDeepCluEの利点が確認されている。
  論文  参考訳（メタデータ） (2022-06-01T09:51:38Z)
• Learn to Cluster Faces via Pairwise Classification [8.42777116250725]
  顔クラスタリングは、巨大なラベルのない顔データを活用する上で重要な役割を果たす。 顔クラスタリングタスクをペア関係分類タスクとして定式化し、大規模グラフ上でのメモリ消費学習を回避する。 提案手法は,複数の公開クラスタリングベンチマークの最先端性能を高速に達成する。
  論文  参考訳（メタデータ） (2022-05-26T02:50:32Z)
• Learning the Precise Feature for Cluster Assignment [39.320210567860485]
  表現学習とクラスタリングを1つのパイプラインに初めて統合するフレームワークを提案する。 提案フレームワークは,近年開発された生成モデルを用いて,本質的な特徴を学習する能力を活用している。 実験の結果,提案手法の性能は,最先端の手法よりも優れているか,少なくとも同等であることがわかった。
  論文  参考訳（メタデータ） (2021-06-11T04:08:54Z)
• Graph Contrastive Clustering [131.67881457114316]
  本稿では,クラスタリングタスクに適用可能な新しいグラフコントラスト学習フレームワークを提案し,gcc(graph constrastive clustering)法を考案した。 特に、グラフラプラシアンに基づくコントラスト損失は、より識別的かつクラスタリングフレンドリーな特徴を学ぶために提案されている。 一方で、よりコンパクトなクラスタリング割り当てを学ぶために、グラフベースのコントラスト学習戦略が提案されている。
  論文  参考訳（メタデータ） (2021-04-03T15:32:49Z)
• Scalable Hierarchical Agglomerative Clustering [65.66407726145619]
  既存のスケーラブルな階層的クラスタリング手法は、スピードの質を犠牲にする。 我々は、品質を犠牲にせず、数十億のデータポイントまでスケールする、スケーラブルで集約的な階層的クラスタリング法を提案する。
  論文  参考訳（メタデータ） (2020-10-22T15:58:35Z)
• Learning to Cluster Faces via Confidence and Connectivity Estimation [136.5291151775236]
  重複する部分グラフを多数必要とせず,完全に学習可能なクラスタリングフレームワークを提案する。 提案手法はクラスタリングの精度を大幅に向上させ,その上で訓練した認識モデルの性能を向上させるが,既存の教師付き手法に比べて桁違いに効率的である。
  論文  参考訳（メタデータ） (2020-04-01T13:39:37Z)
• A Classification-Based Approach to Semi-Supervised Clustering with Pairwise Constraints [5.639904484784126]
  対制約付き半教師付きクラスタリングのためのネットワークフレームワークを提案する。 既存のアプローチとは対照的に、SSCを2つの単純な分類タスク/ステージに分解する。 提案手法であるS3C2は、二項分類がマルチクラスクラスタリングよりも容易であるという観察から動機づけられている。
  論文  参考訳（メタデータ） (2020-01-18T20:13:07Z)

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。