論文の概要: FaceFilterSense: A Filter-Resistant Face Recognition and Facial Attribute Analysis Framework
- arxiv url: http://arxiv.org/abs/2404.08277v1
- Date: Fri, 12 Apr 2024 07:04:56 GMT
- ステータス: 処理完了
- システム内更新日: 2024-04-15 15:45:46.104757
- Title: FaceFilterSense: A Filter-Resistant Face Recognition and Facial Attribute Analysis Framework
- Title（参考訳）: FaceFilterSense: フィルタ型顔認識と顔属性分析フレームワーク
- Authors: Shubham Tiwari, Yash Sethia, Ritesh Kumar, Ashwani Tanwar, Rudresh Dwivedi,
- Abstract要約: 面白い自撮りフィルターは、顔の生体認証システムの機能に大きく影響を与えている。
現在、顔のキーポイントを歪めているARベースのフィルターやフィルターは、最近流行し、裸眼でも顔が認識不能になっている。
これらの制約を緩和するため、我々は最新のフィルタの全体的影響分析を行い、フィルタ画像を用いたユーザ認識モデルを提案する。
- 参考スコア（独自算出の注目度）: 1.673834743879962
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: With the advent of social media, fun selfie filters have come into tremendous mainstream use affecting the functioning of facial biometric systems as well as image recognition systems. These filters vary from beautification filters and Augmented Reality (AR)-based filters to filters that modify facial landmarks. Hence, there is a need to assess the impact of such filters on the performance of existing face recognition systems. The limitation associated with existing solutions is that these solutions focus more on the beautification filters. However, the current AR-based filters and filters which distort facial key points are in vogue recently and make the faces highly unrecognizable even to the naked eye. Also, the filters considered are mostly obsolete with limited variations. To mitigate these limitations, we aim to perform a holistic impact analysis of the latest filters and propose an user recognition model with the filtered images. We have utilized a benchmark dataset for baseline images, and applied the latest filters over them to generate a beautified/filtered dataset. Next, we have introduced a model FaceFilterNet for beautified user recognition. In this framework, we also utilize our model to comment on various attributes of the person including age, gender, and ethnicity. In addition, we have also presented a filter-wise impact analysis on face recognition, age estimation, gender, and ethnicity prediction. The proposed method affirms the efficacy of our dataset with an accuracy of 87.25% and an optimal accuracy for facial attribute analysis.
- Abstract（参考訳）: ソーシャルメディアの出現に伴い、楽しい自撮りフィルターは顔の生体認証システムだけでなく、画像認識システムの機能にも大きな影響を与えている。
これらのフィルターは、美容フィルターや拡張現実(AR)ベースのフィルターから、顔のランドマークを変更するフィルターまで様々である。
したがって,既存の顔認識システムの性能に及ぼすフィルタの影響を評価する必要がある。
既存の解にまつわる制限は、これらの解がより美化フィルタに焦点をあてることである。
しかし、顔のキーポイントを歪ませる現在のARベースのフィルターやフィルターは、最近流行し、肉眼でも顔が認識不能になっている。
また、考慮されたフィルタはほとんどが時代遅れであり、バリエーションは限られている。
これらの制約を緩和するため、我々は最新のフィルタの全体的影響分析を行い、フィルタ画像を用いたユーザ認識モデルを提案する。
ベースライン画像のベンチマークデータセットを利用して、最新のフィルタを適用して、美容/フィルタデータセットを生成しました。
次に、美化ユーザ認識のためのモデルFaceFilterNetを紹介した。
この枠組みでは、年齢、性別、民族など、個人のさまざまな属性について、モデルを用いてコメントする。
また, 顔認識, 年齢推定, 性別, 民族性予測に対するフィルタによる影響分析も行った。
提案手法は,87.25%の精度でデータセットの有効性を確認し,顔の属性分析に最適な精度を示す。
関連論文リスト
- CRAFT: Contextual Re-Activation of Filters for face recognition Training [11.490358127866102]
我々は「CRAFT: 顔認識訓練用フィルタのコンテキスト再活性化」を提案する。
CRAFTは,非活性フィルタの割合を平均で44%から32%に減らし,標準トレーニングでは見つからないフィルタパターンを発見する。
CRAFTは、リアクションのない標準トレーニングと比較して、標準的な顔認識ベンチマークデータセットでモデル精度が向上することを示した。
論文 参考訳（メタデータ） (2023-11-29T22:07:25Z) - Has the Virtualization of the Face Changed Facial Perception? A Study of the Impact of Photo Editing and Augmented Reality on Facial Perception [7.532782211020641]
顔フィルターの異なるスタイルの親しみやすさと、画像がフィルタリングされているかどうかを識別する能力に関する6つの調査結果を示す。
その結果、従来の顔フィルターで修正された顔は、修正されていない顔と同様に知覚されることがわかった。
本稿では、従来の写真編集技術に対する社会的な調整や、異なる種類のフィルタに固有の違いなど、これらの結果に対する説明の可能性について論じる。
論文 参考訳（メタデータ） (2023-03-01T16:09:11Z) - LFW-Beautified: A Dataset of Face Images with Beautification and
Augmented Reality Filters [53.180678723280145]
いくつかの操作を含む顔画像のデータベースにコントリビュートする。
画像強調フィルター(コントラストや稲妻を主に修正する)や、動物の鼻や眼鏡などのアイテムを組み込んだ拡張現実フィルターが含まれている。
各データセットには、64×64の4,324枚の画像があり、合計34,592枚の画像がある。
論文 参考訳（メタデータ） (2022-03-11T17:05:10Z) - Fun Selfie Filters in Face Recognition: Impact Assessment and Removal [13.715060479044167]
本研究では,楽しいセルフィーフィルタが顔認識システムに与える影響について検討する。
データベースを作成するために、関連する楽しいセルフィーフィルタが10個選択される。
このような不要な効果を軽減するため,GANに基づく自撮りフィルタ除去アルゴリズムを提案する。
論文 参考訳（メタデータ） (2022-02-12T09:12:31Z) - On the Effect of Selfie Beautification Filters on Face Detection and
Recognition [53.561797148529664]
ソーシャルメディア画像フィルターは、例えば人工眼鏡や動物の鼻で、画像コントラスト、照明、あるいは顔の一部を妨げる。
U-NETセグメンテーションネットワークの修正版を用いて適用操作を再構築する手法を開発した。
認識の観点からは、顔を認識するために訓練されたResNet-34ネットワークを用いて抽出された特徴に対して、距離測定と訓練された機械学習アルゴリズムを用いる。
論文 参考訳（メタデータ） (2021-10-17T22:10:56Z) - Unsharp Mask Guided Filtering [53.14430987860308]
本論文の目的は,フィルタ中の構造伝達の重要性を強調した画像フィルタリングである。
アンシャープマスキングにインスパイアされたガイドフィルタの新しい簡易な定式化を提案する。
我々の定式化は低域フィルタに先立ってフィルタを楽しみ、単一の係数を推定することで明示的な構造伝達を可能にする。
論文 参考訳（メタデータ） (2021-06-02T19:15:34Z) - Instagram Filter Removal on Fashionable Images [2.1485350418225244]
ソーシャルメディア分析アプリケーションにおける画像フィルタの効果を軽減するため,Instagramフィルタ除去ネットワーク(IFRNet)を導入する。
IFRNetは、定量的および定性的な比較においてすべての比較方法を上回ることを実証する。
本研究では,提案モデルのフィルタ分類性能を提示し,比較手法によってフィルタされていない画像の優性色推定を解析する。
論文 参考訳（メタデータ） (2021-04-11T18:44:43Z) - Filter Grafting for Deep Neural Networks: Reason, Method, and
Cultivation [86.91324735966766]
フィルタは現代の畳み込みニューラルネットワーク(CNN)のキーコンポーネントである
本稿では,この目的を達成するためにフィルタグラフト(textbfMethod)を導入する。
我々は,フィルタの情報を測定するための新しい基準と,グラフトされた情報をネットワーク間でバランスをとるための適応重み付け戦略を開発する。
論文 参考訳（メタデータ） (2020-04-26T08:36:26Z) - Filter Grafting for Deep Neural Networks [71.39169475500324]
ディープニューラルネットワーク(DNN)の表現能力向上を目的としたフィルタグラフト
我々は,フィルタの情報を測定するエントロピーベースの基準と,ネットワーク間のグラフト情報のバランスをとるための適応重み付け戦略を開発する。
例えば、グラフトされたMobileNetV2は、CIFAR-100データセットで非グラフトされたMobileNetV2を約7%上回っている。
論文 参考訳（メタデータ） (2020-01-15T03:18:57Z) - Recognizing Instagram Filtered Images with Feature De-stylization [81.38905784617089]
本稿では,Instagramのフィルターによって,事前学習モデルがどのような影響を受けているかについて検討する。
画像のグローバルな外観を変えるだけの単純な構造保存フィルタは、畳み込み特徴空間に大きな違いをもたらす可能性が示唆された。
我々は,特徴マップのスケーリングとシフトに使用されるパラメータを予測し,フィルタによって引き起こされる変化を“無視”する,軽量なデスティル化モジュールを導入する。
論文 参考訳（メタデータ） (2019-12-30T16:48:16Z)
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。