Fugu-MT 論文翻訳(概要): On Applicability of Synthetic Datasets for Facial Expression Recognition

論文の概要: On Applicability of Synthetic Datasets for Facial Expression Recognition

arxiv url: http://arxiv.org/abs/2605.17483v1
Date: Sun, 17 May 2026 14:51:27 GMT
ステータス: 翻訳完了
システム内更新日: 2026-05-19 17:57:48.115605
Title: On Applicability of Synthetic Datasets for Facial Expression Recognition
Title（参考訳）: 表情認識のための合成データセットの適用性について
Abstract要約: プライバシを保存するFERデータセットを構築するための3つの補完的戦略を,標準の7つの顔表情クラス設定で検討した。提案手法は,I とI,I,I,I,I,I,I,I,I,I,I,I,I,I,I,I,I>I,I,H,H,I,H,,,I,,I,,I,,,
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Facial Expression Recognition faces two core challenges. The first is class imbalance in public datasets, which skews the learning process and weakens generalization. The second is related to privacy and data collection constraints, which limit the sharing of facial images and restrict the creation of large, balanced datasets. To address these issues, we examine three complementary strategies for constructing privacy-preserving FER datasets in the standard seven discrete facial expression classes setting. Our strategies are: (i) pseudo-labeling large unlabeled face collections with a teacher model under a confidence-thresholding scheme, (ii) prompt-driven synthesis using diffusion models conditioned on demographic attributes, and (iii) task-aware GAN-based expression editing that modifies facial expression while preserving identity and realism. For training and evaluation, we employed widely adopted datasets, including AffectNet, RAF-DB, and FER2013. We utilized the synthetic datasets DigiFace, DCFace, and EmoNet-Face BIG as unlabeled sources for pseudo-labeling. Additionally, we utilized the FFHQ dataset as the source for generative synthesis. The main experiments are conducted using a classic CNN backbone, IR50, and we also explore a more complex architecture, POSTERv1, to assess its feasibility and robustness. Using cross-dataset evaluations, we analyze the trade-offs each strategy presents in curated datasets. The findings demonstrate how synthetic data can effectively substitute or be combined with real datasets to mitigate imbalance and privacy limitations. Code and generated datasets:https://www.github.com/AliAZ98/SyntFER
Abstract（参考訳）: 表情認識には2つの課題がある。 1つ目は、公開データセットにおけるクラス不均衡であり、学習プロセスを歪め、一般化を弱める。 2つ目は、顔画像の共有を制限し、大きなバランスの取れたデータセットの作成を制限するプライバシーとデータ収集の制約に関するものだ。これらの課題に対処するために、プライバシ保護FERデータセットを構築するための3つの補完的戦略を、標準の7つの個別表情クラス設定で検討する。私たちの戦略は次のとおりです。一自信保持方式による教師モデルによる擬似ラベル付大型未ラベル顔集二人口統計特性に基づく拡散モデルを用いた即時合成、及び三アイデンティティとリアリズムを保ちながら表情を変更するタスク対応GANベースの表情編集。トレーニングと評価には、AffectNet、RAF-DB、FER2013など、広く採用されているデータセットを使用しました。我々は,DigiFace,DCFace,EmoNet-Face BIGの合成データセットを疑似ラベル付けのための未ラベルソースとして利用した。さらに, FFHQデータセットを生成合成源として利用した。主な実験は古典的なCNNバックボーンIR50を用いて行われ、さらに複雑なアーキテクチャであるPOSTERv1を探索して、その実現可能性と堅牢性を評価する。クロスデータセット評価を用いて、キュレートされたデータセットにおいて、各戦略が提示するトレードオフを分析する。この結果は、合成データが実際のデータセットを効果的に置き換えたり、組み合わせたりすることで、不均衡とプライバシーの制限を軽減することができることを示す。コードと生成されたデータセット:https://www.github.com/AliAZ98/SyntFER

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)
From Large Angles to Consistent Faces: Identity-Preserving Video Generation via Mixture of Facial Experts [69.44297222099175]
顔の特徴の異なるが相互に強化された側面を捉えた顔専門家の混合(MoFE)を導入する。データセットの制限を軽減するため、私たちは、Face ConstraintsとIdentity Consistencyという2つの重要な側面を中心としたデータ処理パイプラインを調整しました。我々は、既存のオープンソースヒューマンビデオデータセットからLFA(Large Face Angles)データセットをキュレートし、洗練しました。
論文参考訳（メタデータ） (2025-08-13T04:10:16Z)
Investigation of Accuracy and Bias in Face Recognition Trained with Synthetic Data [10.241047069730058]
顔認識システムのバイアスと性能に及ぼす合成データの影響を評価する。合成データセットと実データセットの同一性数を維持することにより、公正な比較が保証される。以上の結果から,IJB-B/Cの一般化において,合成データは実際のデータセットよりも遅れているものの,人口統計学的にバランスのとれた合成データセット,特にSD35で生成された合成データセットは,バイアス軽減の可能性を示している。
論文参考訳（メタデータ） (2025-07-28T12:52:23Z)
Second FRCSyn-onGoing: Winning Solutions and Post-Challenge Analysis to Improve Face Recognition with Synthetic Data [104.30479583607918]
第2回FRCSyn-onGoingチャレンジは、CVPR 2024で開始された第2回顔認識チャレンジ(FRCSyn)に基づいている。我々は、顔認識における現在の課題を解決するために、個々のデータと実際のデータの組み合わせの両方で合成データの利用を検討することに重点を置いている。
論文参考訳（メタデータ） (2024-12-02T11:12:01Z)
SynFER: Towards Boosting Facial Expression Recognition with Synthetic Data [78.70620682374624]
ハイレベルなテキスト記述に基づく表情画像データの合成のための新しいフレームワークであるSynFERを紹介する。合成データの質と信頼性を確保するため,セマンティックガイダンス手法と擬似ラベル生成手法を提案する。その結果, 提案手法の有効性と合成データの有効性が検証された。
論文参考訳（メタデータ） (2024-10-13T14:58:21Z)
Leveraging Synthetic Data for Generalizable and Fair Facial Action Unit Detection [9.404202619102943]
本稿では,合成データとマルチソースドメイン適応(MSDA)を用いて,ラベル付きデータの不足や対象の多様性の問題に対処することを提案する。具体的には,合成表情再ターゲティングにより多様なデータセットを生成することを提案する。ジェンダーフェアネスをさらに向上させるために、PM2は実際のデータの特徴と女性と男性の合成画像とを一致させる。
論文参考訳（メタデータ） (2024-03-15T23:50:18Z)
Fake It Till Make It: Federated Learning with Consensus-Oriented Generation [52.82176415223988]
コンセンサス指向生成による連合学習(FedCOG)を提案する。 FedCOGは、補完的なデータ生成と知識蒸留に基づくモデルトレーニングという、クライアント側の2つの重要なコンポーネントで構成されています。古典的および実世界のFLデータセットの実験は、FedCOGが一貫して最先端の手法より優れていることを示している。
論文参考訳（メタデータ） (2023-12-10T18:49:59Z)
GANDiffFace: Controllable Generation of Synthetic Datasets for Face Recognition with Realistic Variations [2.7467281625529134]
本研究は,顔認識のための合成データセット生成のための新しいフレームワークであるGANDiffFaceを紹介する。 GANDiffFaceは、GAN(Generative Adversarial Networks)とDiffusionモデルのパワーを組み合わせて、既存の合成データセットの制限を克服する。
論文参考訳（メタデータ） (2023-05-31T15:49:12Z)
Delving into High-Quality Synthetic Face Occlusion Segmentation Datasets [83.749895930242]
そこで本研究では,高品質な自然主義的合成隠蔽顔を製造するための2つの手法を提案する。両手法の有効性とロバスト性を実証的に示す。我々は,RealOccとRealOcc-Wildという,微細なアノテーションを付加した高精細な実世界の顔データセットを2つ提示する。
論文参考訳（メタデータ） (2022-05-12T17:03:57Z)
On the use of automatically generated synthetic image datasets for benchmarking face recognition [2.0196229393131726]
GAN(Generative Adversarial Networks)の最近の進歩は、実際のデータセットを合成データセットで置き換える経路を提供する。現実的な顔画像を合成するためのGAN(Generative Adversarial Networks)の最近の進歩は、実際のデータセットを合成データセットで置き換える経路を提供する。合成データセットのベンチマーク結果は、良い置換であり、多くの場合、実際のデータセットのベンチマークと同様のエラー率とシステムランキングを提供する。
論文参考訳（メタデータ） (2021-06-08T09:54:02Z)

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。