Fugu-MT 論文翻訳(概要): Fusion of Deep and Shallow Features for Face Kinship Verification

論文の概要: Fusion of Deep and Shallow Features for Face Kinship Verification

arxiv url: http://arxiv.org/abs/2312.10462v1
Date: Sat, 16 Dec 2023 14:36:43 GMT
ステータス: 処理完了
システム内更新日: 2023-12-19 16:33:36.480008
Title: Fusion of Deep and Shallow Features for Face Kinship Verification
Title（参考訳）: 顔認証のための深層と浅層特徴の融合
Authors: Belabbaci El Ouanas, Khammari Mohammed, Chouchane Ammar, Mohcene Bessaoudi, Abdelmalik Ouamane, Akram Abderraouf Gharbi
Abstract要約: 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。
参考スコア（独自算出の注目度）: 0.44855664250147465
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Kinship verification from face images is a novel and formidable challenge in the realms of pattern recognition and computer vision. This work makes notable contributions by incorporating a preprocessing technique known as Multiscale Retinex (MSR), which enhances image quality. Our approach harnesses the strength of complementary deep (VGG16) and shallow texture descriptors (BSIF) by combining them at the score level using Logistic Regression (LR) technique. We assess the effectiveness of our approach by conducting comprehensive experiments on three challenging kinship datasets: Cornell Kin Face, UB Kin Face and TS Kin Face
Abstract（参考訳）: 顔画像からの血縁検証は、パターン認識とコンピュータビジョンの領域において、新しくて恐ろしい挑戦である。この研究は、画像品質を向上させる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。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3つの挑戦的キンシップデータセットに関する総合的な実験を行うことにより,我々のアプローチの有効性を評価する。

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)
Adaptive Mixed-Scale Feature Fusion Network for Blind AI-Generated Image Quality Assessment [13.998206803073481]
本稿では,新しい画像品質評価ネットワークであるAMFF-Netを提案する。 AMFF-Netは画像のスケールアップとスケールダウンを行い、入力としてスケールされた画像とオリジナルサイズの画像を取り込み、マルチスケールの特徴を得る。我々は3つのAGI品質評価データベースについて広範な実験を行い、実験の結果、AMFF-Netは9つの最先端の盲点IQA法よりも優れた性能が得られることが示された。
論文参考訳（メタデータ） (2024-04-23T16:02:33Z)
DiffFAE: Advancing High-fidelity One-shot Facial Appearance Editing with Space-sensitive Customization and Semantic Preservation [84.0586749616249]
本稿では,高忠実度顔画像編集に適した1段階かつ高効率な拡散ベースフレームワークDiffFAEを提案する。高忠実度クエリ属性転送には、空間感性物理カスタマイズ(SPC)を採用し、忠実度と一般化能力を保証している。ソース属性を保存するために、Regional-responsive Semantic Composition (RSC)を導入する。このモジュールは、切り離されたソースを無視する特徴を学習するためにガイドされ、髪、服、背景などの非顔的属性からアーティファクトを保存し緩和する。
論文参考訳（メタデータ） (2024-03-26T12:53:10Z)
Fiducial Focus Augmentation for Facial Landmark Detection [4.433764381081446]
本稿では,モデルによる顔構造理解を高めるために,新しい画像強調手法を提案する。我々は,Deep Canonical correlation Analysis (DCCA) に基づく損失を考慮した,シームズアーキテクチャに基づくトレーニング機構を採用している。提案手法は,様々なベンチマークデータセットにおいて,最先端のアプローチよりも優れている。
論文参考訳（メタデータ） (2024-02-23T01:34:00Z)
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)
Enhancing Kinship Verification through Multiscale Retinex and Combined Deep-Shallow features [2.829220962949294]
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。
論文参考訳（メタデータ） (2023-12-06T15:52:31Z)
Boosting Cross-Quality Face Verification using Blind Face Restoration [0.13654846342364302]
低画質画像の知覚品質を高めるためには,顔認証の課題が不可欠である。本稿では,3つの最先端のブラインドフェイス復元技術が顔認証システムの性能に与える影響について検討する。
論文参考訳（メタデータ） (2023-08-15T18:05:19Z)
Network Architecture Search for Face Enhancement [82.25775020564654]
我々は、NASFE(Network Architecture Search for Face Enhancement)と呼ばれるマルチタスクの顔復元ネットワークを提案する。 NASFEは、単一の劣化(すなわち)を含む低品質の顔画像を高めることができる。ノイズまたはぼやけ)または複数の劣化(ノイズ+ブラル+ローライト)
論文参考訳（メタデータ） (2021-05-13T19:46:05Z)
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)
Face Anti-Spoofing Via Disentangled Representation Learning [90.90512800361742]
顔認識システムのセキュリティには、顔の偽造が不可欠だ。本稿では,画像から生意気な特徴やコンテンツの特徴を乱す顔のアンチ・スプーフィングの新たな視点を提案する。
論文参考訳（メタデータ） (2020-08-19T03:54:23Z)

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。