論文の概要: A new method color MS-BSIF Features learning for the robust kinship verification

• arxiv url: http://arxiv.org/abs/2312.10482v1
• Date: Sat, 16 Dec 2023 15:21:51 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-19 16:18:06.486309
• Title: A new method color MS-BSIF Features learning for the robust kinship verification
• Title（参考訳）: 頑健な血縁検証のためのMS-BSIF特徴色学習法
• Authors: Rachid Aliradi, Abdealmalik Ouamane, Abdeslam Amrane
• Abstract要約: 本稿では,親族認証のためのMS-BSIF学習法とMS-LBPを提案する。 血縁検証(きゅうがく、英: Kinship confirmed)とは、一対の顔の間の血縁を認識するために機械を訓練する作業である。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: the paper presents a new method color MS-BSIF learning and MS-LBP for the kinship verification is the machine's ability to identify the genetic and blood the relationship and its degree between the facial images of humans. Facial verification of kinship refers to the task of training a machine to recognize the blood relationship between a pair of faces parent and non-parent (verification) based on features extracted from facial images, and determining the exact type or degree of this genetic relationship. We use the LBP and color BSIF learning features for the comparison and the TXQDA method for dimensionality reduction and data classification. We let's test the kinship facial verification application is namely the kinface Cornell database. This system improves the robustness of learning while controlling efficiency. The experimental results obtained and compared to other methods have proven the reliability of our framework and surpass the performance of other state-of-the-art techniques.
• Abstract（参考訳）: 本論文は,ヒトの顔画像間の遺伝的・血液的関係と程度を識別する能力である親族検証のためのMS-BSIF学習とMS-LBPの新たな手法を提案する。 キンシップの顔面認証は、顔画像から抽出された特徴に基づいて、顔のペア親と非ペア親(検証)との間の血縁を認識するように機械を訓練し、この遺伝的関係の正確な種類や程度を決定することを指す。 比較には LBP と色BSIF の学習機能を使用し,TXQDA 法を次元化とデータ分類に用いた。 私たちは、kinshipの顔認識アプリケーション、すなわちkinface cornellデータベースをテストすることにしましょう。 このシステムは効率を制御しながら学習の堅牢性を向上させる。 他の手法と比較して得られた実験結果は,我々のフレームワークの信頼性を証明し,他の最先端技術の性能を上回った。

関連論文リスト

• 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)
• Genetic InfoMax: Exploring Mutual Information Maximization in High-Dimensional Imaging Genetics Studies [50.11449968854487]
  遺伝子ワイド・アソシエーション(GWAS)は、遺伝的変異と特定の形質の関係を同定するために用いられる。 画像遺伝学の表現学習は、GWASによって引き起こされる固有の課題により、ほとんど探索されていない。 本稿では,GWAS の具体的な課題に対処するために,トランスモーダル学習フレームワーク Genetic InfoMax (GIM) を提案する。
  論文  参考訳（メタデータ） (2023-09-26T03:59:21Z)
• Supervised Contrastive Learning and Feature Fusion for Improved Kinship Verification [0.0]
  教師付きコントラスト学習を用いた親族検証手法を提案する。 我々の実験は最先端の結果を示し、Wildデータセットの家族で81.1%の精度を達成した。
  論文  参考訳（メタデータ） (2023-02-19T12:20:14Z)
• Unsupervised ensemble-based phenotyping helps enhance the discoverability of genes related to heart morphology [57.25098075813054]
  我々はUn Phenotype Ensemblesという名の遺伝子発見のための新しいフレームワークを提案する。 教師なしの方法で学習された表現型のセットをプールすることで、冗長だが非常に表現性の高い表現を構築する。 これらの表現型は、(GWAS)を介して分析され、高い自信と安定した関連のみを保持する。
  論文  参考訳（メタデータ） (2023-01-07T18:36:44Z)
• Learning Diversified Feature Representations for Facial Expression Recognition in the Wild [97.14064057840089]
  本稿では,CNN層が抽出した顔表情認識アーキテクチャの特徴を多様化する機構を提案する。 AffectNet,FER+,RAF-DBの3つの顔表情認識実験の結果,本手法の有効性が示された。
  論文  参考訳（メタデータ） (2022-10-17T19:25:28Z)
• Deep Collaborative Multi-Modal Learning for Unsupervised Kinship Estimation [53.62256887837659]
  キンシップ検証は、コンピュータビジョンにおける長年の研究課題である。 本稿では,顔特性に表される基礎情報を統合するために,新しい協調型多モーダル学習(DCML)を提案する。 我々のDCML法は、常に最先端のキンシップ検証法よりも優れている。
  論文  参考訳（メタデータ） (2021-09-07T01:34:51Z)
• Reliability and Validity of Image-Based and Self-Reported Skin Phenotype Metrics [0.0]
  生体評価のための肌色測定は, 客観的, 特徴, 制御源から行う必要がある。 その結果,生体評価のための肌色測定は,客観的,特徴的,制御された情報源から行う必要があることがわかった。
  論文  参考訳（メタデータ） (2021-06-18T16:12:24Z)
• The FaceChannel: A Fast & Furious Deep Neural Network for Facial Expression Recognition [71.24825724518847]
  顔の表情の自動認識(FER)の最先端モデルは、非常に深いニューラルネットワークに基づいており、訓練には効果的だがかなり高価である。 私たちは、一般的なディープニューラルネットワークよりもはるかに少ないパラメータを持つ軽量ニューラルネットワークであるFaceChannelを形式化します。 我々は、私たちのモデルがFERの現在の最先端技術に匹敵するパフォーマンスを達成する方法を実証する。
  論文  参考訳（メタデータ） (2020-09-15T09:25:37Z)
• A Unified Approach to Kinship Verification [10.508187462682308]
  統合マルチタスク学習方式を用いた親族検証のための深層学習に基づくアプローチを提案する。 本稿では,ネットワークのトレーニングにおいて一般的な問題であるオーバーフィッティングを回避するため,キンイメージの埋め込みを融合させる新しい手法を提案する。 同期検証データセットの固有不均衡を解決するために、トレーニングセット画像に対して適応的なサンプリングスキームを導出する。
  論文  参考訳（メタデータ） (2020-09-12T22:13:56Z)
• Joint Deep Learning of Facial Expression Synthesis and Recognition [97.19528464266824]
  顔表情の合成と認識を効果的に行うための新しい統合深層学習法を提案する。 提案手法は, 2段階の学習手順を伴い, まず, 表情の異なる顔画像を生成するために, 表情合成生成対向ネットワーク (FESGAN) を事前訓練する。 実画像と合成画像間のデータバイアスの問題を軽減するために,新しい実データ誘導バックプロパゲーション(RDBP)アルゴリズムを用いたクラス内損失を提案する。
  論文  参考訳（メタデータ） (2020-02-06T10:56:00Z)

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。