論文の概要: Face processing emerges from object-trained convolutional neural networks

• arxiv url: http://arxiv.org/abs/2405.18800v1
• Date: Wed, 29 May 2024 06:35:33 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-30 18:38:40.057427
• Title: Face processing emerges from object-trained convolutional neural networks
• Title（参考訳）: 物体学習型畳み込みニューラルネットワークによる顔処理
• Authors: Zhenhua Zhao, Ji Chen, Zhicheng Lin, Haojiang Ying,
• Abstract要約: ドメイン・ジェネラル・メカニズムは、顔に特別な事前トレーニングを加えることなく、顔処理がニューラルネットワークから現れることを実証している。 私たちはCNNをオブジェクトのみにトレーニングし、顔の認識と表現能力と、顔のように見えるオブジェクトをテストしました。
• 参考スコア（独自算出の注目度）: 3.0186977359501492
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Whether face processing depends on unique, domain-specific neurocognitive mechanisms or domain-general object recognition mechanisms has long been debated. Directly testing these competing hypotheses in humans has proven challenging due to extensive exposure to both faces and objects. Here, we systematically test these hypotheses by capitalizing on recent progress in convolutional neural networks (CNNs) that can be trained without face exposure (i.e., pre-trained weights). Domain-general mechanism accounts posit that face processing can emerge from a neural network without specialized pre-training on faces. Consequently, we trained CNNs solely on objects and tested their ability to recognize and represent faces as well as objects that look like faces (face pareidolia stimuli).... Due to the character limits, for more details see in attached pdf
• Abstract（参考訳）: 顔処理はドメイン固有の神経認知機構に依存するのか、それともドメイン全般の物体認識機構に依存しているのかは、長い間議論されてきた。 これらの仮説をヒトで直接テストすることは、顔と物体の両方に広範囲に露出するため、難しいことが証明されている。 ここでは、顔の露出なしに訓練できる畳み込みニューラルネットワーク(CNN)の最近の進歩に乗じて、これらの仮説を体系的に検証する。 ドメイン・ジェネラル・メカニズムは、顔に特別な事前トレーニングを加えることなく、顔処理がニューラルネットワークから現れることを実証している。 その結果、私たちはCNNを物体だけに訓練し、顔の認識と表現能力、および顔のように見える物体(顔のパレドリア刺激)をテストしました。 文字制限のため、詳細は付加されたpdfを参照してください。

関連論文リスト

• Modeling biological face recognition with deep convolutional neural networks [0.0]
  ディープ畳み込みニューラルネットワーク(DCNN)は、生物物体認識の最先端の計算モデルとなっている。 近年,この成果を生体顔認証研究に移管する試みが始まっている。 本稿では,生物認識のモデル化にDCNNを用いた最初の研究について概説する。
  論文  参考訳（メタデータ） (2022-08-13T16:45:30Z)
• Searching for the Essence of Adversarial Perturbations [73.96215665913797]
  本稿では,ニューラルネットワークの誤予測の原因となる,人間の認識可能な情報を含む対人摂動について述べる。 この人間の認識可能な情報の概念は、敵の摂動に関連する重要な特徴を説明できる。
  論文  参考訳（メタデータ） (2022-05-30T18:04:57Z)
• TANet: A new Paradigm for Global Face Super-resolution via Transformer-CNN Aggregation Network [72.41798177302175]
  本稿では, 顔構造特徴の表現能力を完全に探求する自己認識機構(すなわち Transformer のコア)に基づく新しいパラダイムを提案する。 具体的には、2つの経路からなるTransformer-CNNアグリゲーションネットワーク(TANet)を設計する。 上記の2つの経路から特徴を集約することにより、グローバルな顔の構造の整合性と局所的な顔のディテール復元の忠実度を同時に強化する。
  論文  参考訳（メタデータ） (2021-09-16T18:15:07Z)
• End2End Occluded Face Recognition by Masking Corrupted Features [82.27588990277192]
  最先端の一般的な顔認識モデルは、隠蔽された顔画像に対してうまく一般化しない。 本稿では,1つのエンドツーエンドのディープニューラルネットワークに基づいて,オクルージョンに頑健な新しい顔認識手法を提案する。 我々のアプローチは、深い畳み込みニューラルネットワークから破損した特徴を発見し、動的に学習されたマスクによってそれらをきれいにする。
  論文  参考訳（メタデータ） (2021-08-21T09:08:41Z)
• Facial Expressions Recognition with Convolutional Neural Networks [0.0]
  ニューラルネットワークを利用して表情認識システム(FER)を実装する。 我々は、追加のトレーニングデータを用いることなく、FER2013データセット上で、最先端のシングルネットワーク精度の70.10%を実証する。
  論文  参考訳（メタデータ） (2021-07-19T06:41:00Z)
• Continuous Emotion Recognition with Spatiotemporal Convolutional Neural Networks [82.54695985117783]
  In-theld でキャプチャした長いビデオシーケンスを用いて,持続的な感情認識のための最先端のディープラーニングアーキテクチャの適合性を検討する。 我々は,2D-CNNと長期記憶ユニットを組み合わせた畳み込みリカレントニューラルネットワークと,2D-CNNモデルの微調整時の重みを膨らませて構築した膨らませた3D-CNNモデルを開発した。
  論文  参考訳（メタデータ） (2020-11-18T13:42:05Z)
• Face Hallucination via Split-Attention in Split-Attention Network [58.30436379218425]
  畳み込みニューラルネットワーク(CNN)は、顔幻覚を促進するために広く用いられている。 顔の全体像とテクスチャの細部を同時に考慮し,新たな内部分割注意グループ(ESAG)を提案する。 これら2つの経路から特徴を融合させることにより、顔の構造の整合性と顔の詳細の忠実度が強化される。
  論文  参考訳（メタデータ） (2020-10-22T10:09:31Z)
• 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)
• Salient Facial Features from Humans and Deep Neural Networks [2.5211876507510724]
  顔の分類に人間や畳み込みニューラルネットワーク(ConvNet)が利用する特徴について検討する。 我々は、特定の個人を特定する際に最もConvNetの出力に影響を与える顔の特徴を可視化するために、ガイドバックプロパゲーション(GB)を使用する。
  論文  参考訳（メタデータ） (2020-03-08T22:41:04Z)
• Verifying Deep Learning-based Decisions for Facial Expression Recognition [0.8137198664755597]
  我々は、ニューラルネットワークを用いて表情を分類し、画素ベースの説明を作成する。 顔領域に対するバウンディングボックス法に基づいて,これらの視覚的説明を定量化する。 以上の結果から,ニューラルネットワークは最先端の結果を達成できることが示されたが,視覚的説明から,関連する顔面領域を考慮できないことが明らかとなった。
  論文  参考訳（メタデータ） (2020-02-14T15:59:32Z)

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。