論文の概要: Bridging Data Trials and Task Barriers: A Unified Framework for Sketch Biometric Identification

• arxiv url: http://arxiv.org/abs/2605.17367v1
• Date: Sun, 17 May 2026 10:20:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-19 17:57:47.926655
• Title: Bridging Data Trials and Task Barriers: A Unified Framework for Sketch Biometric Identification
• Title（参考訳）: ブリッジングデータトライアルとタスクバリア: スケッチバイオメトリック同定のための統一フレームワーク
• Authors: Decheng Liu, Bin Hu, Xinbo Gao, Dawei Zhou, Chunlei Peng, Nannan Wang, Ruimin Hu,
• Abstract要約: スケッチバイオメトリクスの識別は、少ない実データ、高いアノテーションコスト、プライバシーリスク、クロスタスクモデルの一般化能力の不足など、課題に直面している。 本稿では,効率的な合成スケッチ生成とタスク列連続学習を統合した統合フレームワークを提案する。 スケッチバイオメトリック同定の研究を支援するため,我々はSketch-BioIDという大規模ベンチマークを構築した。
• 参考スコア（独自算出の注目度）: 99.67657930163358
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Different from existing cross-modality identification tasks (e.g., heterogeneous face recognition, sketch re-identification, etc.), we introduce a novel yet practical setting for these related identification tasks, named \textbf{sketch biometric identification}, which aims to continually train a unified model across different data domains, even diverse identification tasks. Sketch biometric identification faces challenges, including scarce real sketch data, high annotation costs, privacy risks, and insufficient generalization ability of cross-task models. Existing methods usually rely on limited real data or single-task optimization, making it difficult to effectively address the joint challenges of cross-modality and cross-task. This paper proposes a unified framework that integrates efficient synthetic sketch generation and task-sequential continual learning. First, we design an efficient pipeline to generate a large-scale and high-quality synthetic person and face sketch data, which significantly reduces costs and avoids privacy risks. Meanwhile, we enhance the model's robustness by fusing real data. Second, we construct a universal unified framework for sketch biometric identification, which adopts a task-sequential training strategy: the model first completes sketch person re-identification learning on the person dataset; subsequently, it maintains the acquired person recognition capability through a trusted sample replay technique and seamlessly performs incremental training on the face dataset. This enables a single model to simultaneously handle the cross-task capabilities of multiple sketch biometric identification tasks. To support the study of the mentioned sketch biometric identification, we built a new large-scale benchmark, SketchUnified-BioID, with several practical evaluation protocols.
• Abstract（参考訳）: 既存の異機種間識別タスク(例えば、異機種間顔認識、スケッチ再識別など)と異なり、多様な識別タスクであっても、異なるデータドメインにわたって統一モデルを継続的に訓練することを目的とした、これらの関連する識別タスクに対して、新しい実用的な設定を導入する。 スケッチの生体認証は、実際のスケッチデータ不足、高いアノテーションコスト、プライバシーリスク、クロスタスクモデルの一般化能力の不足など、課題に直面している。 既存の手法は通常、限られた実データやシングルタスクの最適化に依存しており、クロスモーダルとクロスタスクの共同課題に効果的に対処することは困難である。 本稿では,効率的な合成スケッチ生成とタスク列連続学習を統合した統合フレームワークを提案する。 まず,大規模かつ高品質な合成人物と顔のスケッチデータを生成するための効率的なパイプラインを設計し,コストを大幅に削減し,プライバシーリスクを回避する。 一方、実際のデータを融合することでモデルの堅牢性を高める。 モデルではまず、まず、人物データセット上でのスケッチ人物再識別学習を完了し、次いで、信頼されたサンプル再生技術を用いて取得した人物認識能力を維持し、顔データセット上で漸進的な訓練をシームレスに行う。 これにより、単一のモデルで複数のスケッチバイオメトリック識別タスクのクロスタスク機能を同時に処理できる。 上述のスケッチバイオメトリック同定の研究を支援するため,我々はSketchUnified-BioIDという大規模ベンチマークを構築した。

関連論文リスト

• Hybrid Generative Fusion for Efficient and Privacy-Preserving Face Recognition Dataset Generation [87.48785461212556]
  我々は,顔認識モデルをトレーニングするための高品質な顔データセットの構築に焦点を当てたDataCV ICCV Challengeへのアプローチを提案する。 構築されたデータセットには、既存の公開顔データセットと重複するIDが含まれてはならない。 提案手法は,競技において第1位となる textbf1 を達成し,実験結果から10K,20K,100K 単位のモデル性能の向上が得られた。
  論文  参考訳（メタデータ） (2025-08-14T14:14:18Z)
• FaceXFormer: A Unified Transformer for Facial Analysis [59.94066615853198]
  FaceXFormerは10の顔分析タスクを実行することができるエンドツーエンドの統一トランスフォーマーモデルである。 タスクには、顔解析、ランドマーク検出、ヘッドポーズ推定、属性予測、年齢、性別、人種推定が含まれる。 私たちは、FaceXFormerを10種類の多様な顔認識データセットでトレーニングし、特殊モデルとマルチタスクモデルの両方に対して評価する。
  論文  参考訳（メタデータ） (2024-03-19T17:58:04Z)
• Data-Driven but Privacy-Conscious: Pedestrian Dataset De-identification via Full-Body Person Synthesis [16.394031759681678]
  ペデストリアンデータセットの復号化タスクを動機付け,導入する。 PDIは、所定の非識別法に対して、非識別度とダウンストリームタスクトレーニング性能を評価する。 私たちのデータは、プライバシを意識した方法で、合成から実際のパフォーマンスギャップを狭めることができるかを示します。
  論文  参考訳（メタデータ） (2023-06-20T17:39:24Z)
• Improving Identity-Robustness for Face Models [9.721206532236515]
  顔認識ベクトルをアイデンティティのプロキシとして利用して、このような堅牢性を実現する。 我々は, プロキシ埋め込み空間における条件逆密度(CID)に応じて, サンプルを重み付けする。 このような単純なサンプル重み付け方式はトレーニングの堅牢性を向上するだけでなく,全体的な性能も向上することが示唆された。
  論文  参考訳（メタデータ） (2023-04-07T20:41:10Z)
• Intra-Camera Supervised Person Re-Identification [87.88852321309433]
  本稿では,カメラごとの個人識別アノテーションに基づく新しい人物識別パラダイムを提案する。 これにより、最も時間がかかり、面倒なカメラ間IDラベリングプロセスがなくなる。 MATE(Multi-tAsk mulTi-labEl)Deep Learning method for intra-Camera Supervised (ICS) person re-id。
  論文  参考訳（メタデータ） (2020-02-12T15:26:33Z)

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。