論文の概要: LVFace: Large Vision model for Face Recogniton

• arxiv url: http://arxiv.org/abs/2501.13420v1
• Date: Thu, 23 Jan 2025 06:48:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-24 15:58:13.122066
• Title: LVFace: Large Vision model for Face Recogniton
• Title（参考訳）: LVFace:顔認識のための大規模視覚モデル
• Authors: Jinghan You, Yuanrui Sun, Mingyu Guo, Chao Feng, Jiao Ran,
• Abstract要約: 我々は、LVFaceと呼ばれる大きな視覚モデルに基づいて、最先端の顔認識モデルを訓練する。 最大の公開顔データベースであるWebFace42Mでは、他の高度な顔認識方式よりもLVFaceの方が優れていることを示した。
• 参考スコア（独自算出の注目度）: 10.089694970968699
• License:
• Abstract: Recently, large vision models have demonstrated powerful representation capabilities in the field of computer vision. However, we unexpectedly found that face recognition research is still mainly focused on CNN-based model architectures, which may lead to suboptimal state-of-the-art (SOTA) performance in face recognition. Therefore, we study how to use various loss functions from historical research orthogonally to train a new state-of-the-art face recognition model based on large vision models, called LVFace. On the largest public face database, WebFace42M, we demonstrated the superiority of LVFace over other advanced face recognition methods and achieved first place in the ICCV21 MFR-Ongoing challenge, until the submission of this work (December 30, 2024, academic track).
• Abstract（参考訳）: 近年,コンピュータビジョンの分野では,大規模な視覚モデルが強力な表現能力を実証している。 しかし, 顔認識研究は依然としてCNNベースのモデルアーキテクチャに重点を置いており, 顔認識におけるSOTA(Suboptimal State-of-the-art)性能に繋がる可能性がある。 そこで本稿では,LVFaceと呼ばれる大規模視覚モデルに基づいて,歴史研究の様々な損失関数を直交的に活用して,新しい最先端の顔認識モデルを訓練する方法について検討する。 最大の公開顔データベースであるWebFace42Mでは、LVFaceが他の高度な顔認識法よりも優れていることを実証し、2024年12月30日(学術トラック)までICCV21 MFR-Ongoingチャレンジで1位を獲得した。

関連論文リスト

• Towards Large-scale Masked Face Recognition [44.380235958577785]
  新型コロナウイルス(COVID-19)が流行する中、ほとんどの人がマスクを着用している。 本稿では,ICCV MFR WebFace260M と InsightFace の制約のないトラックにテキスト分岐ソリューションを提示する。
  論文  参考訳（メタデータ） (2023-10-25T05:04:47Z)
• Recognizability Embedding Enhancement for Very Low-Resolution Face Recognition and Quality Estimation [21.423956631978186]
  本研究では,視覚的品質ではなく,埋め込み空間における顔の認識性を高めるための原則的アプローチについて検討する。 まず、頑健な学習に基づく顔認識度尺度、すなわち認識可能性指標(RI)を定式化する。 次に、認識不能な顔クラスタから低RIで埋め込んだ難認識顔を、認識不能な顔クラスタから切り離して、認識可能性の向上を反映した指標変換損失を考案する。
  論文  参考訳（メタデータ） (2023-04-20T03:18:03Z)
• A Survey of Deep Face Restoration: Denoise, Super-Resolution, Deblur, Artifact Removal [177.21001709272144]
  顔復元(FR)は、低品質(LQ)入力画像から高品質(HQ)顔を復元することを目的としている。 本稿では,顔修復のための深層学習技術の最近の進歩を包括的に調査する。
  論文  参考訳（メタデータ） (2022-11-05T07:08:15Z)
• 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)
• On the (Limited) Generalization of MasterFace Attacks and Its Relation to the Capacity of Face Representations [11.924504853735645]
  実験および理論的研究におけるMasterFace攻撃の一般化可能性について検討する。 顔空間のアイデンティティが適切に分離されていると仮定して、顔容量と最大MasterFaceカバレッジを推定する。 MasterFacesは顔認識システムに対する脅威ではなく、顔認識モデルの堅牢性を高めるツールである、と結論付けている。
  論文  参考訳（メタデータ） (2022-03-23T13:02:41Z)
• SynFace: Face Recognition with Synthetic Data [83.15838126703719]
  我々は、ID混在(IM)とドメイン混在(DM)を併用したSynFaceを考案し、パフォーマンスギャップを緩和する。 また、合成顔画像の系統的実験分析を行い、合成データを顔認識に効果的に活用する方法についての知見を提供する。
  論文  参考訳（メタデータ） (2021-08-18T03:41:54Z)
• Joint Face Image Restoration and Frontalization for Recognition [79.78729632975744]
  現実世界のシナリオでは、大きなポーズ、悪い照明、低解像度、ぼやけ、ノイズなど、多くの要因が顔認識性能を損なう可能性がある。 それまでの努力は通常、まず品質の低い顔から高品質な顔に復元し、次に顔認識を行う。 与えられた低品質の顔からフロンダル化された高品質の顔を復元する多段階顔復元モデルを提案する。
  論文  参考訳（メタデータ） (2021-05-12T03:52:41Z)
• FaceX-Zoo: A PyTorch Toolbox for Face Recognition [62.038018324643325]
  顔認識の研究開発コミュニティを指向した新しいオープンソースフレームワーク、FaceX-Zooを紹介します。 facex-zooは、さまざまな監視ヘッドとバックボーンを備えたトレーニングモジュールを提供する。 訓練されたモデルの検証とプライマリアプリケーションのために、シンプルで機能的なFace SDKが提供されます。
  論文  参考訳（メタデータ） (2021-01-12T11:06:50Z)
• Facial Expressions as a Vulnerability in Face Recognition [73.85525896663371]
  本研究では,顔認識システムのセキュリティ脆弱性としての表情バイアスについて検討する。 本稿では,表情バイアスが顔認識技術の性能に与える影響を包括的に分析する。
  論文  参考訳（メタデータ） (2020-11-17T18:12:41Z)
• DotFAN: A Domain-transferred Face Augmentation Network for Pose and Illumination Invariant Face Recognition [94.96686189033869]
  本稿では,3次元モデルを用いたドメイン転送型顔強調ネットワーク(DotFAN)を提案する。 DotFANは、他のドメインから収集された既存のリッチフェイスデータセットから抽出された知識に基づいて、入力顔の一連の変種を生成することができる。 実験によると、DotFANは、クラス内の多様性を改善するために、小さな顔データセットを増やすのに有益である。
  論文  参考訳（メタデータ） (2020-02-23T08:16:34Z)

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。