論文の概要: Appearance Debiased Gaze Estimation via Stochastic Subject-Wise Adversarial Learning

• arxiv url: http://arxiv.org/abs/2401.13865v1
• Date: Thu, 25 Jan 2024 00:23:21 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-26 16:14:06.964781
• Title: Appearance Debiased Gaze Estimation via Stochastic Subject-Wise Adversarial Learning
• Title（参考訳）: 確率的主観的逆境学習による視線の出現偏差推定
• Authors: Suneung Kim, Woo-Jeoung Nam, Seong-Whan Lee
• Abstract要約: 外観に基づく視線推定はコンピュータビジョンにおいて注目されており、様々な深層学習技術を用いて顕著な改善が達成されている。 本稿では,被験者の外観を一般化するネットワークを訓練する,SAZE学習という新しい枠組みを提案する。 実験の結果,MPIIGazeデータセットとEyeDiapデータセットの3.89と4.42をそれぞれ達成した。
• 参考スコア（独自算出の注目度）: 33.55397868171977
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recently, appearance-based gaze estimation has been attracting attention in computer vision, and remarkable improvements have been achieved using various deep learning techniques. Despite such progress, most methods aim to infer gaze vectors from images directly, which causes overfitting to person-specific appearance factors. In this paper, we address these challenges and propose a novel framework: Stochastic subject-wise Adversarial gaZE learning (SAZE), which trains a network to generalize the appearance of subjects. We design a Face generalization Network (Fgen-Net) using a face-to-gaze encoder and face identity classifier and a proposed adversarial loss. The proposed loss generalizes face appearance factors so that the identity classifier inferences a uniform probability distribution. In addition, the Fgen-Net is trained by a learning mechanism that optimizes the network by reselecting a subset of subjects at every training step to avoid overfitting. Our experimental results verify the robustness of the method in that it yields state-of-the-art performance, achieving 3.89 and 4.42 on the MPIIGaze and EyeDiap datasets, respectively. Furthermore, we demonstrate the positive generalization effect by conducting further experiments using face images involving different styles generated from the generative model.
• Abstract（参考訳）: 近年,コンピュータビジョンにおいて外観に基づく視線推定が注目され,様々な深層学習技術を用いて著しく改善されている。 このような進歩にもかかわらず、ほとんどの方法は画像から直接視線ベクトルを推測することを目的としており、これは人物特有の外観因子に過剰適合を引き起こす。 本稿では,これらの課題に対処し,対象の外観を一般化するためのネットワークを訓練する確率的主観的対人gaZE学習(SAZE)という,新しい枠組みを提案する。 顔-gazeエンコーダと顔識別分類器を用いて顔一般化ネットワーク(fgen-net)を設計,提案する。 提案する損失は顔の出現因子を一般化し,同一性分類器が一様確率分布を推定する。 さらにFgen-Netは、トレーニングステップ毎にサブセットを選択してネットワークを最適化する学習メカニズムによってトレーニングされる。 本手法はmpiigazeとeyediapのデータセットで3.89と4.42をそれぞれ達成し,最先端の性能が得られるというロバスト性を検証する。 さらに,生成モデルから生成した異なるスタイルを含む顔画像を用いて,さらに実験を行い,正の一般化効果を示す。

関連論文リスト

• Efficient Visualization of Neural Networks with Generative Models and Adversarial Perturbations [0.0]
  本稿では,既存の手法を改良した生成ネットワークによるディープビジュアライゼーション手法を提案する。 我々のモデルは、使用するネットワーク数を減らし、ジェネレータと識別器のみを必要とすることにより、アーキテクチャを単純化する。 我々のモデルは、事前の訓練知識を少なくし、差別者がガイドとして機能する非敵的訓練プロセスを使用する。
  論文  参考訳（メタデータ） (2024-09-20T14:59:25Z)
• UniForensics: Face Forgery Detection via General Facial Representation [60.5421627990707]
  高レベルの意味的特徴は摂動の影響を受けにくく、フォージェリー固有の人工物に限らないため、より強い一般化がある。 我々は、トランスフォーマーベースのビデオネットワークを活用する新しいディープフェイク検出フレームワークUniForensicsを導入し、顔の豊かな表現のためのメタファンクショナルな顔分類を行う。
  論文  参考訳（メタデータ） (2024-07-26T20:51:54Z)
• CIAO! A Contrastive Adaptation Mechanism for Non-Universal Facial Expression Recognition [80.07590100872548]
  本稿では、顔エンコーダの最後の層に異なるデータセットの特定の感情特性を適応させるメカニズムであるContrastive Inhibitory Adaptati On(CIAO)を提案する。 CIAOは、非常にユニークな感情表現を持つ6つの異なるデータセットに対して、表情認識性能が改善されている。
  論文  参考訳（メタデータ） (2022-08-10T15:46:05Z)
• Masked Siamese ConvNets [17.337143119620755]
  自己教師付き学習は、様々な視覚ベンチマークにおいて教師付き手法よりも優れた性能を示している。 Masked siamese ネットワークは特定の帰納バイアスを必要とし、視覚変換器でしか動作しない。 この研究は、ConvNetsによるマスク付きシアムネットワークの問題点を実証的に研究する。
  論文  参考訳（メタデータ） (2022-06-15T17:52:23Z)
• Dual Contrastive Learning for General Face Forgery Detection [64.41970626226221]
  本稿では,正と負のペアデータを構成するDCL (Dual Contrastive Learning) という新しい顔偽造検出フレームワークを提案する。 本研究は, 事例内コントラスト学習(Intra-ICL)において, 偽造顔における局所的内容の不整合に焦点をあてる。
  論文  参考訳（メタデータ） (2021-12-27T05:44:40Z)
• Self-supervised Contrastive Learning of Multi-view Facial Expressions [9.949781365631557]
  顔表情認識(FER)は,人間とコンピュータのインタラクションシステムにおいて重要な構成要素である。 本稿では,多視点表情のコントラスト学習(CL-MEx)を提案する。
  論文  参考訳（メタデータ） (2021-08-15T11:23:34Z)
• 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)
• 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)
• 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。