論文の概要: Facial beauty prediction fusing transfer learning and broad learning system

• arxiv url: http://arxiv.org/abs/2603.16930v1
• Date: Sat, 14 Mar 2026 02:59:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-19 18:32:57.266944
• Title: Facial beauty prediction fusing transfer learning and broad learning system
• Title（参考訳）: 伝達学習と広範学習システムを用いた顔の美容予測
• Authors: Junying Gan, Xiaoshan Xie, Yikui Zhai, Guohui He, Chaoyun Mai, Heng Luo,
• Abstract要約: 顔の美しさ予測(FBP)は、コンピュータビジョンと機械学習の分野で重要かつ困難な問題である。 FBP の精度は E-BLS と ER-BLS により向上し, 提案手法の有効性と優位性を示した。
• 参考スコア（独自算出の注目度）: 1.095501026820669
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Facial beauty prediction (FBP) is an important and challenging problem in the fields of computer vision and machine learning. Not only it is easily prone to overfitting due to the lack of large-scale and effective data, but also difficult to quickly build robust and effective facial beauty evaluation models because of the variability of facial appearance and the complexity of human perception. Transfer Learning can be able to reduce the dependence on large amounts of data as well as avoid overfitting problems. Broad learning system (BLS) can be capable of quickly completing models building and training. For this purpose, Transfer Learning was fused with BLS for FBP in this paper. Firstly, a feature extractor is constructed by way of CNNs models based on transfer learning for facial feature extraction, in which EfficientNets are used in this paper, and the fused features of facial beauty extracted are transferred to BLS for FBP, called E-BLS. Secondly, on the basis of E-BLS, a connection layer is designed to connect the feature extractor and BLS, called ER-BLS. Finally, experimental results show that, compared with the previous BLS and CNNs methods existed, the accuracy of FBP was improved by E-BLS and ER-BLS, demonstrating the effectiveness and superiority of the method presented, which can also be widely used in pattern recognition, object detection and image classification.
• Abstract（参考訳）: 顔の美しさ予測(FBP)は、コンピュータビジョンと機械学習の分野で重要かつ困難な問題である。 大規模で効果的なデータが不足しているため、過剰適合しやすいだけでなく、顔の外観の多様性や人間の知覚の複雑さのために、堅牢で効果的な顔美評価モデルを構築することも困難である。 トランスファーラーニングは、大量のデータへの依存を減らすだけでなく、過度な問題を避けることができる。 ブロードラーニングシステム(BLS)は、モデルの構築とトレーニングを迅速に完了することができる。 この目的のために、本論文では、FBPのためのBLSでトランスファーラーニングを融合した。 まず, 顔の特徴抽出のための伝達学習に基づくCNNモデルを用いて特徴抽出器を構築し, 効率の良いネットを用いて抽出した顔の美しさの融合特徴を, E-BLSと呼ばれるFBP用BLSに転送する。 第二に、E-BLSに基づく接続層は、ER-BLSと呼ばれる特徴抽出器とBLSを接続するように設計されている。 最後に,従来のBLS法やCNN法と比較して,FBPの精度はE-BLS法とER-BLS法により向上し,パターン認識,物体検出,画像分類に広く応用できる手法の有効性と優位性を示した。

関連論文リスト

• Efficient Machine Unlearning via Influence Approximation [75.31015485113993]
  インフルエンサーベースのアンラーニングは、個別のトレーニングサンプルがモデルパラメータに与える影響を再トレーニングせずに推定する顕著なアプローチとして現れてきた。 本稿では,暗記(増分学習)と忘れ(未学習)の理論的関連性を確立する。 本稿では、インフルエンス近似アンラーニングアルゴリズムを導入し、インクリメンタルな視点から効率的なマシンアンラーニングを行う。
  論文  参考訳（メタデータ） (2025-07-31T05:34:27Z)
• A Basic Evaluation of Neural Networks Trained with the Error Diffusion Learning Algorithm [0.0]
  KanekoのError Diffusion Learning Algorithm(EDLA)は、ニューラルネットワークをトレーニングする従来のバックプロパゲーションに代わる生物学的にインスパイアされた学習アルゴリズムである。 EDLAは、ペアの正と負のサブレイヤからなるネットワーク間で拡散する単一のグローバルエラー信号を使用し、従来のレイヤ単位のエラーバックプロパゲーションを排除している。
  論文  参考訳（メタデータ） (2025-04-21T02:41:17Z)
• Structured IB: Improving Information Bottleneck with Structured Feature Learning [32.774660308233635]
  我々は、潜在的に構造化された機能を調べるためのフレームワークであるStructured IBを紹介した。 IBラグランジアン法と比較し,予測精度とタスク関連情報を比較検討した。
  論文  参考訳（メタデータ） (2024-12-11T09:17:45Z)
• A New Perspective on Time Series Anomaly Detection: Faster Patch-based Broad Learning System [59.38402187365612]
  時系列異常検出(TSAD)は近年,学術と産業の両方においてホットスポットとなっている。 TSADでは、ディープラーニングの速度が遅いなどの制限のため、ディープラーニングは必須ではない。 コントラスト型パッチベースブロードラーニングシステム(CBLS)を提案する。
  論文  参考訳（メタデータ） (2024-12-07T01:58:18Z)
• Memory Networks: Towards Fully Biologically Plausible Learning [2.7013801448234367]
  現在の人工ニューラルネットワークは、バックプロパゲーションやウェイトシェアリングのような技術に依存しており、脳の自然な情報処理方法と一致しない。 本稿では,逆伝播や畳み込みを回避し,単一のパスで動作させる生物学的原理にインスパイアされたメモリネットワークを提案する。
  論文  参考訳（メタデータ） (2024-09-18T06:01:35Z)
• Enhancing Cognitive Workload Classification Using Integrated LSTM Layers and CNNs for fNIRS Data Analysis [13.74551296919155]
  本稿では、ディープラーニングモデルにおける畳み込みニューラルネットワーク(CNN)の有効性に対する長期記憶層の影響について検討する。 LSTMレイヤを統合することで、モデルがfNIRSデータ内の時間的依存関係をキャプチャし、認知状態をより包括的に理解することが可能になる。
  論文  参考訳（メタデータ） (2024-07-22T11:28:34Z)
• ConvBLS: An Effective and Efficient Incremental Convolutional Broad Learning System for Image Classification [63.49762079000726]
  球状K-means(SKM)アルゴリズムと2段階マルチスケール(TSMS)機能融合に基づく畳み込み広範学習システム(ConvBLS)を提案する。 提案手法は前代未聞の効率的かつ効果的である。
  論文  参考訳（メタデータ） (2023-04-01T04:16:12Z)
• Efficient Representation of Natural Image Patches [1.2179089070956926]
  初期視覚システムの2つの目的 - 効率的な情報伝達と正確なセンサ確率分布モデル - の達成方法について検討する。 我々のモデルは、初期の視覚系の計算理論に関する新しい洞察と、ディープラーニングモデルの効率を高めるための潜在的新しいアプローチを提供する。
  論文  参考訳（メタデータ） (2022-10-24T07:50:02Z)
• Multi-Branch Deep Radial Basis Function Networks for Facial Emotion Recognition [80.35852245488043]
  放射状基底関数(RBF)ユニットによって形成された複数の分岐で拡張されたCNNベースのアーキテクチャを提案する。 RBFユニットは、中間表現を用いて類似のインスタンスで共有される局所パターンをキャプチャする。 提案手法は,提案手法の競争力を高めるためのローカル情報の導入であることを示す。
  論文  参考訳（メタデータ） (2021-09-07T21:05:56Z)
• Gone Fishing: Neural Active Learning with Fisher Embeddings [55.08537975896764]
  ディープニューラルネットワークと互換性のあるアクティブな学習アルゴリズムの必要性が高まっている。 本稿では,ニューラルネットワークのための抽出可能かつ高性能な能動学習アルゴリズムBAITを紹介する。
  論文  参考訳（メタデータ） (2021-06-17T17:26:31Z)
• Transfer Learning without Knowing: Reprogramming Black-box Machine Learning Models with Scarce Data and Limited Resources [78.72922528736011]
  そこで我々は,ブラックボックス・アタベラル・リプログラミング (BAR) という新しい手法を提案する。 ゼロオーダー最適化とマルチラベルマッピング技術を用いて、BARは入力出力応答のみに基づいてブラックボックスMLモデルをプログラムする。 BARは最先端の手法より優れ、バニラ対逆プログラミング法に匹敵する性能を得る。
  論文  参考訳（メタデータ） (2020-07-17T01:52:34Z)

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。