論文の概要: Attributes Shape the Embedding Space of Face Recognition Models

• arxiv url: http://arxiv.org/abs/2507.11372v1
• Date: Tue, 15 Jul 2025 14:44:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-16 19:46:03.159009
• Title: Attributes Shape the Embedding Space of Face Recognition Models
• Title（参考訳）: 顔認識モデルの埋め込み空間を形作る属性
• Authors: Pierrick Leroy, Antonio Mastropietro, Marco Nurisso, Francesco Vaccarino,
• Abstract要約: 顔認識タスクはディープニューラルネットワークの出現によって大きな進歩を遂げた。 埋め込み空間に現れるマルチスケールな幾何学構造を観察する。 これらの属性に対するFRモデルの依存性や不変性を記述するための幾何学的手法を提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Face Recognition (FR) tasks have made significant progress with the advent of Deep Neural Networks, particularly through margin-based triplet losses that embed facial images into high-dimensional feature spaces. During training, these contrastive losses focus exclusively on identity information as labels. However, we observe a multiscale geometric structure emerging in the embedding space, influenced by interpretable facial (e.g., hair color) and image attributes (e.g., contrast). We propose a geometric approach to describe the dependence or invariance of FR models to these attributes and introduce a physics-inspired alignment metric. We evaluate the proposed metric on controlled, simplified models and widely used FR models fine-tuned with synthetic data for targeted attribute augmentation. Our findings reveal that the models exhibit varying degrees of invariance across different attributes, providing insight into their strengths and weaknesses and enabling deeper interpretability. Code available here: https://github.com/mantonios107/attrs-fr-embs}{https://github.com/mantonios107/attrs-fr-embs
• Abstract（参考訳）: 顔認識(FR)タスクは、ディープニューラルネットワークの出現、特に高次元の特徴空間に顔画像を埋め込むマージンベースの三重項損失によって大きな進歩を遂げている。 トレーニング中、これらの対照的な損失はラベルとしてのアイデンティティ情報にのみ焦点をあてる。 しかし, 埋め込み空間に出現する多次元幾何学構造は, 解釈可能な顔(eg, ヘアカラー)と画像特性(eg, コントラスト)の影響を受けて観察される。 本稿では,これらの属性に対するFRモデルの依存性や不変性を記述するための幾何学的手法を提案し,物理に着想を得たアライメント計量を導入する。 制御された単純化されたモデルと、ターゲット属性拡張のための合成データで微調整されたFRモデルについて、提案手法の評価を行った。 その結果,モデルの強度や弱点を把握し,より深い解釈可能性を実現することができることがわかった。 https://github.com/mantonios107/attrs-fr-embs}{https://github.com/mantonios107/attrs-fr-embs

関連論文リスト

• A Quantitative Evaluation of the Expressivity of BMI, Pose and Gender in Body Embeddings for Recognition and Identification [56.10719736365069]
  我々は,学習した特徴と特定の属性の相互情報として定義された表現性の概念を拡張し,属性のエンコード方法の定量化を行う。 その結果,BMIは最終層において高い表現性を示し,認識におけるその支配的な役割を示していることがわかった。 これらの結果は,ReIDにおける身体属性の中心的役割を示し,属性駆動相関を明らかにするための原則的アプローチを確立した。
  論文  参考訳（メタデータ） (2025-03-09T05:15:54Z)
• How to Squeeze An Explanation Out of Your Model [13.154512864498912]
  本稿では,モデルに依存しない解釈可能性のアプローチを提案する。 任意のモデルの分類レイヤーの前にSEブロックを含めることで、最も影響力のある特徴を検索することができる。 以上の結果から,新たなSEベースの解釈性は,画像およびビデオ/マルチモーダル設定の様々なモデルに適用可能であることがわかった。
  論文  参考訳（メタデータ） (2024-12-06T15:47:53Z)
• SC2GAN: Rethinking Entanglement by Self-correcting Correlated GAN Space [16.040942072859075]
  ある属性の編集方向に従う遺伝子ネットワークは、他の属性と絡み合った変更をもたらす可能性がある。 本稿では,低密度の潜伏コードサンプルを元の潜伏空間に再プロジェクションすることで,SC$2$GANのアンタングル化を実現する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） (2023-10-10T14:42:32Z)
• Exploring Fine-Grained Representation and Recomposition for Cloth-Changing Person Re-Identification [78.52704557647438]
  補助的なアノテーションやデータなしに両方の制約に対処するために,新しいFIne-fine Representation and Recomposition (FIRe$2$) フレームワークを提案する。 FIRe$2$は、広く使われている5つのRe-IDベンチマークで最先端のパフォーマンスを実現することができる。
  論文  参考訳（メタデータ） (2023-08-21T12:59:48Z)
• Hierarchical Visual Primitive Experts for Compositional Zero-Shot Learning [52.506434446439776]
  合成ゼロショット学習(CZSL)は、既知のプリミティブ(属性とオブジェクト)の事前知識で構成を認識することを目的としている。 このような問題に対処するために,コンポジショントランスフォーマー(CoT)と呼ばれるシンプルでスケーラブルなフレームワークを提案する。 提案手法は,MIT-States,C-GQA,VAW-CZSLなど,いくつかのベンチマークでSoTA性能を実現する。
  論文  参考訳（メタデータ） (2023-08-08T03:24:21Z)
• F?D: On understanding the role of deep feature spaces on face generation evaluation [5.655130837404874]
  異なる深い特徴とその設計選択が知覚的計量に与える影響について検討する。 我々の分析の重要な要素は、ディープフェイスジェネレータを用いた合成反事実顔の作成である。
  論文  参考訳（メタデータ） (2023-05-31T17:21:58Z)
• Adaptive Face Recognition Using Adversarial Information Network [57.29464116557734]
  顔認識モデルは、トレーニングデータがテストデータと異なる場合、しばしば退化する。 本稿では,新たな敵情報ネットワーク(AIN)を提案する。
  論文  参考訳（メタデータ） (2023-05-23T02:14:11Z)

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。