論文の概要: Uncertainty-oriented Order Learning for Facial Beauty Prediction

• arxiv url: http://arxiv.org/abs/2409.00603v1
• Date: Sun, 1 Sep 2024 03:41:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-09-06 13:43:27.547551
• Title: Uncertainty-oriented Order Learning for Facial Beauty Prediction
• Title（参考訳）: 顔の美容予測のための不確かさ指向の順序学習
• Authors: Xuefeng Liang, Zhenyou Liu, Jian Lin, Xiaohui Yang, Takatsune Kumada,
• Abstract要約: FBP法は一般的に、画像のFB特徴を潜在空間上の点としてモデル化し、その点から正確なスコアへのマッピングを学習する。 我々は、FBP問題に存在する2つの矛盾を過小評価している: 1. 複数のデータセット間のFB標準の不整合、 2. 画像のFBに対する人間の認識の不整合。 そこで本研究では,FB標準の不整合に対処する不確実性指向順序学習(Uncertainty-oriented Order Learning, UOL)を提案する。
• 参考スコア（独自算出の注目度）: 7.3537907222567815
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Previous Facial Beauty Prediction (FBP) methods generally model FB feature of an image as a point on the latent space, and learn a mapping from the point to a precise score. Although existing regression methods perform well on a single dataset, they are inclined to be sensitive to test data and have weak generalization ability. We think they underestimate two inconsistencies existing in the FBP problem: 1. inconsistency of FB standards among multiple datasets, and 2. inconsistency of human cognition on FB of an image. To address these issues, we propose a new Uncertainty-oriented Order Learning (UOL), where the order learning addresses the inconsistency of FB standards by learning the FB order relations among face images rather than a mapping, and the uncertainty modeling represents the inconsistency in human cognition. The key contribution of UOL is a designed distribution comparison module, which enables conventional order learning to learn the order of uncertain data. Extensive experiments on five datasets show that UOL outperforms the state-of-the-art methods on both accuracy and generalization ability.
• Abstract（参考訳）: FBP法は一般的に、画像のFB特徴を潜在空間上の点としてモデル化し、その点から正確なスコアへのマッピングを学習する。 既存の回帰法は単一のデータセットでよく機能するが、テストデータに敏感であり、一般化能力が弱い傾向にある。 FBP問題に存在する2つの矛盾を過小評価していると思います。 1.複数のデータセット間のFB標準の不整合、及び 2.画像のFBにおける人間の認識の不整合 これらの問題に対処するため、我々は新しい不確実性指向の秩序学習(UOL)を提案し、この学習は、写像ではなく顔画像間のFB順序関係を学習することにより、FB標準の不整合に対処し、不確実性モデリングは人間の認識の不整合を表す。 UOLの主な貢献は、従来の順序学習で不確実なデータの順序を学習できる分散比較モジュールである。 5つのデータセットに対する大規模な実験により、UOLは精度と一般化能力の両方において最先端の手法よりも優れていることが示された。

関連論文リスト

• QIRL: Boosting Visual Question Answering via Optimized Question-Image Relation Learning [38.24779287568123]
  現在のデバイアス技術は、画像とテキストの間の優れた関係を捉えられない。 偏見研究における入力関係の程度について、事前の研究は行われていない。 本稿では,世代ベースの自己教師型学習戦略を取り入れた新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-04-04T10:38:28Z)
• DPImageBench: A Unified Benchmark for Differentially Private Image Synthesis [13.888119355726909]
  差分プライベート(DP)画像合成は、データセット内の個々の画像のプライバシーを保護しながら、機密画像の特性を保持する人工画像を生成することを目的としている。 近年の進歩にもかかわらず、不整合かつ時には欠陥のある評価プロトコルが研究全体で適用されている。 本稿では,DP画像合成のためのDPImageBenchについて述べる。
  論文  参考訳（メタデータ） (2025-03-18T19:37:35Z)
• Empowering Graph Invariance Learning with Deep Spurious Infomax [27.53568333416706]
  本稿では,頑健かつ一般的な帰納バイアスを誘発する新しいグラフ不変性学習パラダイムを提案する。 EQuADは、合成データセットにおける様々なバイアスの度合いにまたがって安定したパフォーマンスを示し、実世界のデータセットに最大311.76%の価格で挑戦する。
  論文  参考訳（メタデータ） (2024-07-13T14:18:47Z)
• Homogenising SoHO/EIT and SDO/AIA 171\AA$~$ Images: A Deep Learning Approach [0.0]
  太陽の極端紫外線画像は、宇宙天気予報タスクの不可欠な部分となっている。 我々は、SoHO/EITとSDO/AIA 171AAサーベイの時間重なりを利用して、深層学習モデルのアンサンブルを訓練し、2回の太陽周期でEUV画像の1つの均一なサーベイを作成する。
  論文  参考訳（メタデータ） (2023-08-20T17:17:27Z)
• Federated Conformal Predictors for Distributed Uncertainty Quantification [83.50609351513886]
  コンフォーマル予測は、機械学習において厳密な不確実性定量化を提供するための一般的なパラダイムとして現れつつある。 本稿では,共形予測を連邦学習環境に拡張する。 本稿では、FL設定に適した部分交換可能性の弱い概念を提案し、それをフェデレート・コンフォーマル予測フレームワークの開発に利用する。
  論文  参考訳（メタデータ） (2023-05-27T19:57:27Z)
• Federated Test-Time Adaptive Face Presentation Attack Detection with Dual-Phase Privacy Preservation [100.69458267888962]
  顔提示攻撃検出(fPAD)は、現代の顔認識パイプラインにおいて重要な役割を果たす。 法的およびプライバシー上の問題により、トレーニングデータ(実際の顔画像と偽画像)は、異なるデータソース間で直接共有することはできない。 本稿では,二相プライバシー保護フレームワークを用いたフェデレーションテスト時間適応顔提示検出を提案する。
  論文  参考訳（メタデータ） (2021-10-25T02:51:05Z)
• Continual Learning for Blind Image Quality Assessment [80.55119990128419]
  ブラインド画像品質評価(BIQA)モデルは、サブポピュレーションシフトに継続的に適応できない。 最近の研究では、利用可能なすべての人間評価のIQAデータセットの組み合わせに関するBIQAメソッドのトレーニングが推奨されている。 モデルがIQAデータセットのストリームから継続的に学習するBIQAの継続的学習を策定する。
  論文  参考訳（メタデータ） (2021-02-19T03:07:01Z)
• Learning Accurate Dense Correspondences and When to Trust Them [161.76275845530964]
  2つの画像に関連する密度の高い流れ場と、堅牢な画素方向の信頼度マップの推定を目指しています。 フロー予測とその不確実性を共同で学習するフレキシブルな確率的アプローチを開発する。 本手法は,幾何学的マッチングと光フローデータセットに挑戦する最新の結果を得る。
  論文  参考訳（メタデータ） (2021-01-05T18:54:11Z)
• An Empirical Study of the Collapsing Problem in Semi-Supervised 2D Human Pose Estimation [80.02124918255059]
  半教師付き学習は、ラベルなし画像の探索によってモデルの精度を高めることを目的としている。 私たちは相互に教え合うために2つのネットワークを学びます。 各ネットワーク内の容易なイメージに関するより信頼性の高い予測は、他のネットワークに対応するハードイメージについて学ぶように教えるために使用される。
  論文  参考訳（メタデータ） (2020-11-25T03:29:52Z)
• Deep F-measure Maximization for End-to-End Speech Understanding [52.36496114728355]
  本稿では,F測度に対する微分可能な近似法を提案し,標準バックプロパゲーションを用いてネットワークをトレーニングする。 我々は、アダルト、コミュニティ、犯罪の2つの標準フェアネスデータセットの実験を行い、ATISデータセットの音声・インテリジェンス検出と音声・COCOデータセットの音声・イメージ概念分類を行った。 これらの4つのタスクのすべてにおいて、F測定は、クロスエントロピー損失関数で訓練されたモデルと比較して、最大8%の絶対的な絶対的な改善を含む、マイクロF1スコアの改善をもたらす。
  論文  参考訳（メタデータ） (2020-08-08T03:02:27Z)

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。