論文の概要: EPL: Empirical Prototype Learning for Deep Face Recognition

• arxiv url: http://arxiv.org/abs/2405.12447v1
• Date: Tue, 21 May 2024 01:55:33 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-22 14:38:05.028496
• Title: EPL: Empirical Prototype Learning for Deep Face Recognition
• Title（参考訳）: EPL: 深層顔認識のための経験的プロトタイプ学習
• Authors: Weijia Fan, Jiajun Wen, Xi Jia, Linlin Shen, Jiancan Zhou, Qiufu Li,
• Abstract要約: プロトタイプ学習は顔認識において広く使われており、各クラスのプロトタイプとして係数行列の行ベクトルを用いる。 本稿では,各クラスにおけるサンプル機能の期待値としてプロトタイプを定義し,データセットに既存のサンプルを用いて経験的プロトタイプを設計する。 本稿では,サンプル特徴量に対する適応的マージンパラメータを用いた経験的プロトタイプ学習(EPL)手法を提案する。
• 参考スコア（独自算出の注目度）: 29.2176687820726
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Prototype learning is widely used in face recognition, which takes the row vectors of coefficient matrix in the last linear layer of the feature extraction model as the prototypes for each class. When the prototypes are updated using the facial sample feature gradients in the model training, they are prone to being pulled away from the class center by the hard samples, resulting in decreased overall model performance. In this paper, we explicitly define prototypes as the expectations of sample features in each class and design the empirical prototypes using the existing samples in the dataset. We then devise a strategy to adaptively update these empirical prototypes during the model training based on the similarity between the sample features and the empirical prototypes. Furthermore, we propose an empirical prototype learning (EPL) method, which utilizes an adaptive margin parameter with respect to sample features. EPL assigns larger margins to the normal samples and smaller margins to the hard samples, allowing the learned empirical prototypes to better reflect the class center dominated by the normal samples and finally pull the hard samples towards the empirical prototypes through the learning. The extensive experiments on MFR, IJB-C, LFW, CFP-FP, AgeDB, and MegaFace demonstrate the effectiveness of EPL. Our code is available at $\href{https://github.com/WakingHours-GitHub/EPL}{https://github.com/WakingHours-GitHub/EPL}$.
• Abstract（参考訳）: 特徴抽出モデルの最後の線形層における係数行列の行ベクトルを各クラスのプロトタイプとする顔認識において,プロトタイプ学習が広く用いられている。 モデルトレーニングにおける顔サンプルの特徴勾配を用いてプロトタイプを更新すると、ハードサンプルによってクラス中心から引き離される傾向があり、全体のモデル性能が低下する。 本稿では,各クラスにおけるサンプル機能の期待値としてプロトタイプを明示的に定義し,データセットに既存のサンプルを用いて経験的プロトタイプを設計する。 次に,サンプル特徴と経験的プロトタイプとの類似性に基づいて,モデルトレーニング中にこれらの経験的プロトタイプを適応的に更新する戦略を考案する。 さらに,サンプル特徴に対する適応的マージンパラメータを用いた経験的プロトタイプ学習(EPL)手法を提案する。 EPLは、通常のサンプルにより大きなマージンを割り当て、ハードサンプルに小さなマージンを割り当て、学習された経験的プロトタイプは、通常のサンプルが支配するクラスセンターをよりよく反映し、最終的に学習を通じて経験的プロトタイプに向かってハードサンプルをプルする。 MFR, IJB-C, LFW, CFP-FP, AgeDB, MegaFaceの広範な実験により, EPLの有効性が示された。 私たちのコードは$\href{https://github.com/WakingHours-GitHub/EPL}{https://github.com/WakingHours-GitHub/EPL}$で利用可能です。

関連論文リスト

• Learning with Mixture of Prototypes for Out-of-Distribution Detection [25.67011646236146]
  アウト・オブ・ディストリビューション(OOD)検出は、イン・ディストリビューション(ID)トレーニングデータから遠く離れたテストサンプルを検出することを目的としている。 サンプルの多様性を捉えるために,各クラスを複数のプロトタイプでモデル化したプロトタイプ混在型学習法(PALM)を提案する。 提案手法はCIFAR-100ベンチマークにおいて93.82の最先端平均AUROC性能を実現する。
  論文  参考訳（メタデータ） (2024-02-05T00:52:50Z)
• Evolving Semantic Prototype Improves Generative Zero-Shot Learning [73.07035277030573]
  ゼロショット学習(ZSL)では、生成法は事前に定義されたセマンティックプロトタイプに基づいてクラス関連サンプル特徴を合成する。 各クラスの事前定義されたセマンティックプロトタイプは、実際のセマンティックプロトタイプと正確に一致しない。 本稿では,経験的に定義された意味的プロトタイプと,クラス関連特徴合成のための実際のプロトタイプを整合させる動的意味的プロトタイプ(DSP)法を提案する。
  論文  参考訳（メタデータ） (2023-06-12T08:11:06Z)
• Transductive Few-shot Learning with Prototype-based Label Propagation by Iterative Graph Refinement [41.726774734996766]
  そこで本研究では,数ショット学習のためのプロトタイプベースのラベル伝搬手法を提案する。 具体的には, このグラフ構造は, サンプル間の関係ではなく, プロトタイプとサンプルの関係に基づいている。 ミニイメージネット, タイレッドイメージネット, CIFAR-FS, CUBデータセットでは, 提案手法が他の最先端手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-04-23T10:09:26Z)
• Learning Prototype Classifiers for Long-Tailed Recognition [18.36167187657728]
  学習プロトタイプの分類器は,長鎖認識におけるバイアス付きソフトマックス問題に対処することを示した。 本稿では,表現空間におけるプロトタイプからの距離を分類のためのロジットスコアとして利用して,プロトタイプを共同で学習することを提案する。 本分析は,プロトタイプ分類器で学習したプロトタイプが経験的セントロイドよりも分離されていることを示す。
  論文  参考訳（メタデータ） (2023-02-01T15:02:58Z)
• Kernel Relative-prototype Spectral Filtering for Few-shot Learning [3.2091741098687696]
  少ないサンプルで分類タスクと回帰タスクを実行する場合はほとんどない。 本稿では,クエリサンプルとプロトタイプの差分を測定するためのスペクトルフィルタリング(収縮)フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-07-24T07:53:27Z)
• TTAPS: Test-Time Adaption by Aligning Prototypes using Self-Supervision [70.05605071885914]
  本研究では,単体テストサンプルに適用可能な自己教師付きトレーニングアルゴリズムSwaVの新たな改良を提案する。 ベンチマークデータセットCIFAR10-Cにおいて,本手法の有効性を示す。
  論文  参考訳（メタデータ） (2022-05-18T05:43:06Z)
• Rethinking Semantic Segmentation: A Prototype View [126.59244185849838]
  学習不可能なプロトタイプをベースとした非パラメトリックセマンティックセマンティックセマンティクスモデルを提案する。 我々のフレームワークは、いくつかのデータセットに対して魅力的な結果をもたらす。 この作業が、現在のデファクトセマンティックセグメンテーションモデル設計を再考することを期待しています。
  論文  参考訳（メタデータ） (2022-03-28T21:15:32Z)
• Prototype Completion for Few-Shot Learning [13.63424509914303]
  少数ショット学習は、いくつかの例で新しいクラスを認識することを目的としている。 事前学習に基づく手法は,特徴抽出器を事前学習し,最寄りのセントロイド型メタラーニングを通して微調整することで,この問題に効果的に対処する。 本稿では,完成度に基づくメタラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-08-11T03:44:00Z)
• Contrastive Prototype Learning with Augmented Embeddings for Few-Shot Learning [58.2091760793799]
  拡張埋め込み(CPLAE)モデルを用いた新しいコントラスト型プロトタイプ学習を提案する。 クラスプロトタイプをアンカーとして、CPLは、同じクラスのクエリサンプルを、異なるクラスのサンプルを、さらに遠くに引き出すことを目的としている。 いくつかのベンチマークによる大規模な実験により,提案したCPLAEが新たな最先端を実現することが示された。
  論文  参考訳（メタデータ） (2021-01-23T13:22:44Z)
• One for More: Selecting Generalizable Samples for Generalizable ReID Model [92.40951770273972]
  本稿では,選択したサンプルを損失関数として一般化する1対3の学習目標を提案する。 提案した1対3のサンプルは,ReIDトレーニングフレームワークにシームレスに統合できる。
  論文  参考訳（メタデータ） (2020-12-10T06:37:09Z)
• Prototypical Contrastive Learning of Unsupervised Representations [171.3046900127166]
  原型コントラスト学習(Prototypeal Contrastive Learning, PCL)は、教師なし表現学習法である。 PCLは暗黙的にデータのセマンティック構造を学習された埋め込み空間にエンコードする。 PCLは、複数のベンチマークで最先端のインスタンスワイド・コントラスト学習法より優れている。
  論文  参考訳（メタデータ） (2020-05-11T09:53:36Z)

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。