論文の概要: Gallery-Aware Uncertainty Estimation For Open-Set Face Recognition

• arxiv url: http://arxiv.org/abs/2408.14229v1
• Date: Mon, 26 Aug 2024 12:44:17 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-27 14:01:29.230437
• Title: Gallery-Aware Uncertainty Estimation For Open-Set Face Recognition
• Title（参考訳）: オープンセット顔認識のためのギャラリー認識の不確かさ推定
• Authors: Leonid Erlygin, Alexey Zaytsev,
• Abstract要約: オープンセットの顔認識では、画像の分類を試みるが、それは未知の場合もある。 ここでは、確率的埋め込みの低分散は、低い誤差確率を含まない。 オープンセット認識システムにおける2つの曖昧さの源泉を認識する手法を提案する。
• 参考スコア（独自算出の注目度）: 2.6862667248315386
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurately estimating image quality and model robustness improvement are critical challenges in unconstrained face recognition, which can be addressed through uncertainty estimation via probabilistic face embeddings. Previous research mainly focused on uncertainty estimation in face verification, leaving the open-set face recognition task underexplored. In open-set face recognition, one seeks to classify an image, which could also be unknown. Here, the low variance of probabilistic embedding does not imply a low error probability: an image embedding could be close to several classes in a gallery, thus yielding high uncertainty. We propose a method aware of two sources of ambiguity in the open-set recognition system: (1) the gallery uncertainty caused by overlapping classes and (2) the uncertainty of the face embeddings. To detect both types, we use a Bayesian probabilistic model of embedding distribution, which provides a principled uncertainty estimate. Challenging open-set face recognition datasets, such as IJB-C, serve as a testbed for our method. We also propose a new open-set recognition protocol for whale and dolphin identification. The proposed approach better identifies recognition errors than uncertainty estimation methods based solely on image quality.
• Abstract（参考訳）: 画像品質とモデルロバスト性の向上を正確に推定することは、制約のない顔認識において重要な課題であり、確率的顔埋め込みによる不確実性推定によって対処できる。 これまでの研究では、顔認証における不確実性評価を中心に、オープンセットの顔認識タスクを過小評価した。 オープンセットの顔認識では、画像の分類を試みるが、それは未知の場合もある。 ここでは、確率的埋め込みの低分散は低い誤差の確率を示唆しない:画像埋め込みはギャラリー内のいくつかのクラスに近くなり、高い不確実性をもたらす。 オープンセット認識システムでは,(1)重複クラスによるギャラリーの不確実性,(2)顔埋め込みの不確実性という2つの曖昧さを意識した手法を提案する。 いずれのタイプも検出するために、ベイズ確率モデルを用いて埋め込み分布を推定する。 IJB-Cのようなオープンセットの顔認識データセットは、我々の手法のテストベッドとして役立ちます。 また,クジラとイルカの識別のための新しいオープンセット認識プロトコルを提案する。 提案手法は,画像品質のみに基づく不確実性推定法よりも,認識誤差をよりよく同定する。

関連論文リスト

• Know Where You're Uncertain When Planning with Multimodal Foundation Models: A Formal Framework [54.40508478482667]
  認識と計画生成の不確実性を解消し、定量化し、緩和する包括的枠組みを提案する。 本稿では,知覚と意思決定の独特な性質に合わせた手法を提案する。 この不確実性分散フレームワークは, 変動率を最大40%削減し, タスク成功率をベースラインに比べて5%向上させることを示した。
  論文  参考訳（メタデータ） (2024-11-03T17:32:00Z)
• Certainly Uncertain: A Benchmark and Metric for Multimodal Epistemic and Aleatoric Awareness [106.52630978891054]
  視覚言語AIシステムに特有の不確実性の分類法を提案する。 また、精度と校正誤差の両方によく相関する新しい計量信頼度重み付き精度を導入する。
  論文  参考訳（メタデータ） (2024-07-02T04:23:54Z)
• Cost-Sensitive Uncertainty-Based Failure Recognition for Object Detection [1.8990839669542954]
  本稿では,ユーザ定義予算に合わせて,オブジェクト検出のためのコスト感受性フレームワークを提案する。 性能劣化を防ぐために最低限の閾値設定要件を導出する。 エラー認識率を最大化するために、しきい値処理の自動化と最適化を行う。
  論文  参考訳（メタデータ） (2024-04-26T14:03:55Z)
• Benchmarking Probabilistic Deep Learning Methods for License Plate Recognition [11.772116128679116]
  本稿では,ライセンスプレート認識における予測の不確かさを明示的にモデル化する。 合成ノイズやぼやけた低解像度画像の実験は、予測の不確実性が確実に間違った予測を見出すことを示した。
  論文  参考訳（メタデータ） (2023-02-02T21:37:42Z)
• Reliability-Aware Prediction via Uncertainty Learning for Person Image Retrieval [51.83967175585896]
  UALは、データ不確実性とモデル不確実性を同時に考慮し、信頼性に配慮した予測を提供することを目的としている。 データ不確実性はサンプル固有のノイズを捕捉する」一方、モデル不確実性はサンプルの予測に対するモデルの信頼を表現している。
  論文  参考訳（メタデータ） (2022-10-24T17:53:20Z)
• ScaleFace: Uncertainty-aware Deep Metric Learning [2.7383076864024636]
  計算コストをほとんど加えずに不確実性を直接推定できる深度計量学習手法を提案する。 textitScaleFaceアルゴリズムは、埋め込み空間の類似性を変更するトレーニング可能なスケール値を使用する。 本研究では,他の不確実性を認識した顔認識手法と比較して,ScaleFaceの優れた性能を示す顔認識タスクに関する総合的な実験を行う。
  論文  参考訳（メタデータ） (2022-09-05T10:27:16Z)
• Dense Uncertainty Estimation via an Ensemble-based Conditional Latent Variable Model [68.34559610536614]
  我々は、アレータリック不確実性はデータの固有の特性であり、偏見のないオラクルモデルでのみ正確に推定できると論じる。 そこで本研究では,軌道不確実性推定のためのオラクルモデルを近似するために,列車時の新しいサンプリングと選択戦略を提案する。 以上の結果から,提案手法は精度の高い決定論的結果と確実な不確実性推定の両方を達成できることが示唆された。
  論文  参考訳（メタデータ） (2021-11-22T08:54:10Z)
• An Uncertainty Estimation Framework for Probabilistic Object Detection [5.83620245905973]
  本稿では,物体検出における不確実性を推定する2つの一般的な手法を組み合わせた新しい手法を提案する。 我々のフレームワークは、予測の不確実性を近似するために、深いアンサンブルとモンテカルロのドロップアウトを利用する。
  論文  参考訳（メタデータ） (2021-06-28T22:29:59Z)
• Harnessing Unrecognizable Faces for Face Recognition [87.80037162457427]
  本稿では,顔画像の認識可能性の尺度を提案し,主に認識可能なアイデンティティを用いて訓練されたディープニューラルネットワークによって実現された。 FAR=1e-5において,認識可能性を考慮した場合,単画像認識の誤り率を58%減少させることを示す。
  論文  参考訳（メタデータ） (2021-06-08T05:25:03Z)
• Inducing Predictive Uncertainty Estimation for Face Recognition [102.58180557181643]
  顔画像の「マッドペア」から画像品質訓練データを自動的に生成する手法を提案する。 生成したデータを用いて、顔画像の信頼度を推定するために、PCNetと呼ばれる軽量な予測信頼ネットワークを訓練する。
  論文  参考訳（メタデータ） (2020-09-01T17:52:00Z)

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。