論文の概要: GroupFace: Imbalanced Age Estimation Based on Multi-hop Attention Graph Convolutional Network and Group-aware Margin Optimization
- arxiv url: http://arxiv.org/abs/2412.11450v1
- Date: Mon, 16 Dec 2024 05:08:15 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-17 13:57:12.769737
- Title: GroupFace: Imbalanced Age Estimation Based on Multi-hop Attention Graph Convolutional Network and Group-aware Margin Optimization
- Title（参考訳）: GroupFace: Multi-hop Attention Graph Convolutional Network と Group-Aware Margin Optimization に基づく不均衡年齢推定
- Authors: Yiping Zhang, Yuntao Shou, Wei Ai, Tao Meng, Keqin Li,
- Abstract要約: マルチホップアテンショングラフ畳み込みネットワークとグループ認識マージン戦略を統合した,革新的な協調学習フレームワークを提案する。
本アーキテクチャは,複数の年齢推定ベンチマークデータセットにおいて優れた性能を発揮する。
- 参考スコア（独自算出の注目度）: 13.197551708300345
- License:
- Abstract: With the recent advances in computer vision, age estimation has significantly improved in overall accuracy. However, owing to the most common methods do not take into account the class imbalance problem in age estimation datasets, they suffer from a large bias in recognizing long-tailed groups. To achieve high-quality imbalanced learning in long-tailed groups, the dominant solution lies in that the feature extractor learns the discriminative features of different groups and the classifier is able to provide appropriate and unbiased margins for different groups by the discriminative features. Therefore, in this novel, we propose an innovative collaborative learning framework (GroupFace) that integrates a multi-hop attention graph convolutional network and a dynamic group-aware margin strategy based on reinforcement learning. Specifically, to extract the discriminative features of different groups, we design an enhanced multi-hop attention graph convolutional network. This network is capable of capturing the interactions of neighboring nodes at different distances, fusing local and global information to model facial deep aging, and exploring diverse representations of different groups. In addition, to further address the class imbalance problem, we design a dynamic group-aware margin strategy based on reinforcement learning to provide appropriate and unbiased margins for different groups. The strategy divides the sample into four age groups and considers identifying the optimum margins for various age groups by employing a Markov decision process. Under the guidance of the agent, the feature representation bias and the classification margin deviation between different groups can be reduced simultaneously, balancing inter-class separability and intra-class proximity. After joint optimization, our architecture achieves excellent performance on several age estimation benchmark datasets.
- Abstract（参考訳）: 近年のコンピュータビジョンの進歩により、年齢推定の精度は大幅に向上した。
しかしながら、最も一般的な手法は、年齢推定データセットにおけるクラス不均衡の問題を考慮していないため、長い尾を持つグループを認識する際の大きなバイアスに悩まされている。
長鎖群における高品質な不均衡学習を実現するために、特徴抽出器は異なる群の識別的特徴を学習し、分類器は識別的特徴によって異なるグループの適切な偏りのないマージンを提供することができる。
そこで本研究では,マルチホップアテンショングラフ畳み込みネットワークと,強化学習に基づく動的グループ認識マージン戦略を統合した,革新的な協調学習フレームワーク(GroupFace)を提案する。
具体的には、異なるグループの識別的特徴を抽出するために、強化されたマルチホップアテンショングラフ畳み込みネットワークを設計する。
このネットワークは、隣接するノード間の相互作用を異なる距離で捉え、局所的およびグローバルな情報を融合して顔の深部熟成をモデル化し、異なるグループの多様な表現を探索することができる。
さらに,クラス不均衡問題にさらに対処するために,強化学習に基づく動的グループ認識マージン戦略を設計し,異なるグループに対して適切かつ偏りのないマージンを提供する。
この戦略は、サンプルを4つの年齢グループに分割し、マルコフ決定プロセスを用いて、様々な年齢グループに対して最適なマージンを特定することを検討する。
エージェントの指導のもと、特徴表現バイアスと異なるグループ間の分類限界偏差を同時に低減し、クラス間分離性とクラス内近接性のバランスをとることができる。
共同最適化を行った結果,いくつかの年齢推定ベンチマークデータセットにおいて優れた性能が得られた。
関連論文リスト
- Tackling Diverse Minorities in Imbalanced Classification [80.78227787608714]
不均衡データセットは、様々な現実世界のアプリケーションで一般的に見られ、分類器の訓練において重要な課題が提示されている。
マイノリティクラスとマイノリティクラスの両方のデータサンプルを混合することにより、反復的に合成サンプルを生成することを提案する。
提案するフレームワークの有効性を,7つの公開ベンチマークデータセットを用いて広範な実験により実証する。
論文 参考訳（メタデータ） (2023-08-28T18:48:34Z) - Joint Debiased Representation and Image Clustering Learning with
Self-Supervision [3.1806743741013657]
我々は,新しい共同クラスタリングとコントラスト学習フレームワークを開発した。
不均衡なデータセットの下位クラスタ化を避けるために、デバイアスド・コントラストの損失に適応する。
論文 参考訳（メタデータ） (2022-09-14T21:23:41Z) - The Group Loss++: A deeper look into group loss for deep metric learning [65.19665861268574]
グループ損失 (Group Loss) は、グループの全サンプルに埋め込まれた類似性を強制する微分可能なラベルプロパゲーション法に基づく損失関数である。
4つのデータセットでクラスタリングと画像検索の最先端結果を示し、2人の再識別データセットで競合結果を示す。
論文 参考訳（メタデータ） (2022-04-04T14:09:58Z) - Learning from Heterogeneous Data Based on Social Interactions over
Graphs [58.34060409467834]
本研究では,個別のエージェントが異なる次元のストリーミング特徴を観察しながら分類問題の解決を目指す分散アーキテクチャを提案する。
私たちはそれを示します。
戦略により、エージェントはこの高度に異質な環境下で一貫して学習することができる。
私たちはそれを示します。
戦略により、エージェントはこの高度に異質な環境下で一貫して学習することができる。
論文 参考訳（メタデータ） (2021-12-17T12:47:18Z) - MultiFair: Multi-Group Fairness in Machine Learning [52.24956510371455]
機械学習におけるマルチグループフェアネスの研究(MultiFair)
この問題を解決するために,汎用的なエンドツーエンドのアルゴリズムフレームワークを提案する。
提案するフレームワークは多くの異なる設定に一般化可能である。
論文 参考訳（メタデータ） (2021-05-24T02:30:22Z) - Protecting Individual Interests across Clusters: Spectral Clustering
with Guarantees [20.350342151402963]
我々は、各クラスタが各クラスタに接続された適切なメンバー数を含む必要があるグラフ $mathcalg$ をクラスタリングするための個別フェアネス基準を提案する。
与えられた表現グラフの下で公正なクラスタを見つけるためのスペクトルクラスタリングアルゴリズムを考案する。
論文 参考訳（メタデータ） (2021-05-08T15:03:25Z) - 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)
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。