論文の概要: DIG-FACE: De-biased Learning for Generalized Facial Expression Category Discovery

• arxiv url: http://arxiv.org/abs/2409.20098v2
• Date: Tue, 19 Nov 2024 16:45:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-20 13:33:42.439548
• Title: DIG-FACE: De-biased Learning for Generalized Facial Expression Category Discovery
• Title（参考訳）: DIG-FACE: 一般化表情カテゴリー発見のための非バイアス学習
• Authors: Tingzhang Luo, Yichao Liu, Yuanyuan Liu, Andi Zhang, Xin Wang, Yibing Zhan, Chang Tang, Leyuan Liu, Zhe Chen,
• Abstract要約: 我々は、G-FACE(Generalized Facial Expression Category Discovery)という新しいタスクを導入する。 G-FACEは、既知のカテゴリを効果的に認識しながら、新しい、目に見えない表情を発見する。 学習に影響を与える2つのバイアス、すなわち暗黙のバイアスと明示的なバイアスを特定します。 本稿では、暗黙バイアスと明示バイアスの両方のデバイアス化を容易にするデバイアスドG-FACE法、すなわちDIG-FACEを提案する。
• 参考スコア（独自算出の注目度）: 33.190030608505154
• License:
• Abstract: We introduce a novel task, Generalized Facial Expression Category Discovery (G-FACE), that discovers new, unseen facial expressions while recognizing known categories effectively. Even though there are generalized category discovery methods for natural images, they show compromised performance on G-FACE. We identified two biases that affect the learning: implicit bias, coming from an underlying distributional gap between new categories in unlabeled data and known categories in labeled data, and explicit bias, coming from shifted preference on explicit visual facial change characteristics from known expressions to unknown expressions. By addressing the challenges caused by both biases, we propose a Debiased G-FACE method, namely DIG-FACE, that facilitates the debiasing of both implicit and explicit biases. In the implicit debiasing process of DIG-FACE, we devise a novel learning strategy that aims at estimating and minimizing the upper bound of implicit bias. In the explicit debiasing process, we optimize the model's ability to handle nuanced visual facial expression data by introducing a hierarchical category-discrimination refinement strategy: sample-level, triplet-level, and distribution-level optimizations. Extensive experiments demonstrate that our DIG-FACE significantly enhances recognition accuracy for both known and new categories, setting a first-of-its-kind standard for the task.
• Abstract（参考訳）: 本稿では,新しい表情発見タスクである一般表情カテゴリー発見(G-FACE)を導入し,未知の表情を効果的に認識しながら,未知の表情を発見する。 自然画像のカテゴリ発見手法は一般化されているが、G-FACE上での妥協性能を示す。 ラベル付きデータにおける新しいカテゴリとラベル付きデータにおける既知のカテゴリ間の分布ギャップから生じる暗黙バイアスと、既知の表現から未知の表現への明示的な視覚的顔変化特性へのシフトバイアスの2つのバイアスを同定した。 偏見の両面から生じる課題に対処し、暗黙的偏見と明示的偏見の両方の偏見を緩和する脱バイアスG-FACE法(DIG-FACE)を提案する。 DIG-FACEの暗黙的偏見の過程において、暗黙的偏見の上限を推定し最小化する新しい学習戦略を考案する。 明示的なデバイアス処理では、階層的カテゴリー識別補正戦略(サンプルレベル、トリプルトレベル、分布レベル最適化)を導入して、ニュアンスのある表情データを扱うモデルの能力を最適化する。 我々のDIG-FACEは、既知のカテゴリと新しいカテゴリの両方の認識精度を大幅に向上させ、タスクの第一種標準を設定することを実証した。

関連論文リスト

• FineFACE: Fair Facial Attribute Classification Leveraging Fine-grained Features [3.9440964696313485]
  自動的な顔属性分類アルゴリズムでは、人口統計バイアスの存在が強調されている。 既存のバイアス緩和技術は、一般に人口統計学的なアノテーションを必要とし、しばしば公正性と正確性の間のトレードオフを得る。 そこで本稿では, 顔属性の公平な分類法を, きめ細かな分類問題とみなして提案する。
  論文  参考訳（メタデータ） (2024-08-29T20:08:22Z)
• Causality and Independence Enhancement for Biased Node Classification [56.38828085943763]
  各種グラフニューラルネットワーク(GNN)に適用可能な新しい因果性・独立性向上(CIE)フレームワークを提案する。 提案手法は,ノード表現レベルでの因果的特徴と突発的特徴を推定し,突発的相関の影響を緩和する。 我々のアプローチCIEは、GNNの性能を大幅に向上するだけでなく、最先端の debiased ノード分類法よりも優れています。
  論文  参考訳（メタデータ） (2023-10-14T13:56:24Z)
• Dynamic Conceptional Contrastive Learning for Generalized Category Discovery [76.82327473338734]
  Generalized category discovery (GCD) は、部分的にラベル付けされたデータを自動でクラスタリングすることを目的としている。 ラベル付きデータには、ラベル付きデータの既知のカテゴリだけでなく、新しいカテゴリのインスタンスも含まれている。 GCDの効果的な方法の1つは、ラベルなしデータの識別表現を学習するために自己教師付き学習を適用することである。 本稿では,クラスタリングの精度を効果的に向上する動的概念コントラスト学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-30T14:04:39Z)
• Dual Contrastive Learning for General Face Forgery Detection [64.41970626226221]
  本稿では,正と負のペアデータを構成するDCL (Dual Contrastive Learning) という新しい顔偽造検出フレームワークを提案する。 本研究は, 事例内コントラスト学習(Intra-ICL)において, 偽造顔における局所的内容の不整合に焦点をあてる。
  論文  参考訳（メタデータ） (2021-12-27T05:44:40Z)
• Understanding and Mitigating Annotation Bias in Facial Expression Recognition [3.325054486984015]
  現存する多くの著作は、人為的なアノテーションは金本位制であり、偏見のないものと見なすことができると仮定している。 顔の表情認識に焦点をあて、実験室で制御されたデータセットと現場のデータセットのラベルバイアスを比較する。 本稿では,顔動作単位(AU)を活用し,三重項損失を対象関数に組み込むAU校正顔表情認識フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-08-19T05:28:07Z)
• Exploiting a Joint Embedding Space for Generalized Zero-Shot Semantic Segmentation [25.070027668717422]
  一般化ゼロショットセマンティックセマンティックセグメンテーション(GZS3)は、見えないクラスと見えないクラスのピクセルワイズセマンティックラベルを予測する。 ほとんどのGZS3メソッドは、対応するセマンティックなクラスから見えないクラスの視覚的特徴を合成する生成的アプローチを採用している。 統一されたフレームワークにおける制限に対処するための差別的アプローチを提案する。
  論文  参考訳（メタデータ） (2021-08-14T13:33:58Z)
• DecAug: Out-of-Distribution Generalization via Decomposed Feature Representation and Semantic Augmentation [29.18840132995509]
  深層学習は、しばしば分布外(OoD)一般化に苦しむ。 OoD一般化のための新しい分解特徴表現および意味的拡張アプローチであるDecAugを提案する。 DecAugは、さまざまなOoDデータセットの他の最先端のメソッドよりも優れています。
  論文  参考訳（メタデータ） (2020-12-17T03:46:09Z)
• Mitigating Face Recognition Bias via Group Adaptive Classifier [53.15616844833305]
  この研究は、全てのグループの顔がより平等に表現できる公正な顔表現を学ぶことを目的としている。 我々の研究は、競争精度を維持しながら、人口集団間での顔認識バイアスを軽減することができる。
  論文  参考訳（メタデータ） (2020-06-13T06:43:37Z)
• Enhancing Facial Data Diversity with Style-based Face Aging [59.984134070735934]
  特に、顔データセットは、通常、性別、年齢、人種などの属性の観点からバイアスされる。 本稿では, 細粒度の老化パターンをキャプチャするデータ拡張のための, 生成スタイルに基づく新しいアーキテクチャを提案する。 提案手法は, 年齢移動のための最先端アルゴリズムよりも優れていることを示す。
  論文  参考訳（メタデータ） (2020-06-06T21:53:44Z)
• Domain-aware Visual Bias Eliminating for Generalized Zero-Shot Learning [150.42959029611657]
  ドメイン対応ビジュアルバイアス除去(DVBE)ネットワークは2つの相補的な視覚表現を構成する。 目に見えない画像に対しては、最適なセマンティック・視覚アライメントアーキテクチャを自動で検索する。
  論文  参考訳（メタデータ） (2020-03-30T08:17:04Z)

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。