論文の概要: ForensicNet: Lightweight Attention-Enhanced MobileNetV2 for Automated Face Identification
- arxiv url: http://arxiv.org/abs/2607.16273v1
- Date: Wed, 08 Jul 2026 09:07:52 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-27 00:46:13.066732
- Title: ForensicNet: Lightweight Attention-Enhanced MobileNetV2 for Automated Face Identification
- Title（参考訳）: ForensicNet: 顔認識のための軽量アテンション強化MobileNetV2
- Authors: Savitha N J, Lata B T,
- Abstract要約: 本稿では,注目度を高めた法医学的顔認識のための軽量なディープラーニングフレームワークを提案する。
提案されたモデルは、MobileNetV2バックボーンとCBAM(Convolutional Block Attention Modules)を組み合わせて、差別的特徴の学習を改善する。
このフレームワークは推論毎に2.1 GFLOPしか必要とせず、したがってリアルタイムの法医学的な監視アプリケーションで使用することができる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In forensic environments, automated identification of perpetrators is difficult due to pose changes, changes in light, occlusion, and lack of labeled data. This paper presents ForensicNet, a lightweight deep learning framework for forensic face recognition that enhances attention. The suggested model combines the MobileNetV2 backbone with Convolutional Block Attention Modules (CBAM) to improve the learning of discriminative features while maintaining computational speed. A two-phase transfer learning strategy with adaptive layer unfreezing is used to improve domain adaptation and reduce overfitting. This study used publicly available datasets such as LFW and SCFace, with 15,000 facial images spanning 68 identity classes. The proposed model outperforms baseline architectures such as AlexNet, ResNet-50, and MobileNetV2, with an accuracy of 92.4%, a precision of 90.8%, and a recall of 89.5%. Additionally, the framework requires only 2.1 GFLOPs per inference, and hence can be used in real-time forensic surveillance applications.
- Abstract（参考訳）: 法医学的な環境では、ポーズの変化、光の変化、閉塞、ラベル付きデータの欠如により、犯人の自動識別は困難である。
本稿では,ForensicNetについて述べる。ForensicNetは,顔認識のための軽量な深層学習フレームワークで,注意を喚起する。
提案したモデルは、MobileNetV2のバックボーンとCBAM(Convolutional Block Attention Modules)を組み合わせて、計算速度を維持しながら差別的特徴の学習を改善する。
適応層凍結を伴う二相転写学習戦略は、ドメイン適応を改善し、オーバーフィッティングを低減するために用いられる。
この研究では、LFWやSCFaceなどの公開データセットを使用して、68のアイデンティティクラスにまたがる15,000の顔画像を使用した。
提案されたモデルは、AlexNet、ResNet-50、MobileNetV2などのベースラインアーキテクチャより優れており、精度は92.4%、精度は90.8%、リコールは89.5%である。
さらに、フレームワークは推論毎に2.1 GFLOPしか必要とせず、したがってリアルタイムの法医学的な監視アプリケーションで使用することができる。
関連論文リスト
- Attention-Guided Efficientnet Architecture For Precise Criminal Identification in Surveillance Images [0.0]
監視画像からの犯罪識別は、インテリジェントな法医学的監視システムにおいて重要な研究領域となっている。
本稿では,監視画像の正確な犯罪識別のためのアテンション誘導能率ネットフレームワークを提案する。
論文 参考訳（メタデータ） (2026-07-03T08:09:27Z) - Optimized Culprit Identification Using Mobilenet and Attention Mechanisms [0.0]
チャネルと空間的注意機構を統合した軽量なMobileNetアーキテクチャを用いて,最適化されたディープラーニングフレームワークを提案する。
提案モデルは,無関係な背景情報を抑えつつ,最も識別性の高い領域に選択的に焦点を絞って特徴表現を強化する。
例えば、Labelled Faces in the Wild (LFW)、CASIA-FaceWeb、VGGFace2のサブセットなどである。
提案手法は計算量が少なく,推論時間を短縮し,リアルタイム監視やエッジベースアプリケーションに適した手法である。
論文 参考訳（メタデータ） (2026-05-04T19:18:42Z) - Efficient Traffic Classification using HW-NAS: Advanced Analysis and Optimization for Cybersecurity on Resource-Constrained Devices [1.3124513975412255]
本稿ではハードウェア認識型ニューラルアーキテクチャサーチ(HW-NAS)により最適化されたハードウェア効率の高いディープニューラルネットワーク(DNN)を提案する。
リソース制約のあるIoT(Internet of Things)とエッジデバイス上でのセッションレベルの暗号化トラフィックの分類をサポートする。
最適化されたモデルは96.59%の精度で88.26Kのパラメータ、10.08MのFLOP、最大テンソルサイズは20.12Kである。
論文 参考訳（メタデータ） (2025-06-12T21:37:45Z) - Face Spoofing Detection using Deep Learning [0.0]
デジタル画像の偽造は生体認証システムにおいて重大なセキュリティ上の脅威として浮上している。
本研究では、画像分類におけるスプーフ検出のための3つの視覚モデル、MobileNetV2、ResNET50、ViTの性能を評価する。
論文 参考訳（メタデータ） (2025-03-25T00:09:21Z) - A Light Perspective for 3D Object Detection [46.23578780480946]
本稿では,最先端のDeep Learning技術を特徴抽出に取り入れた新しい手法を提案する。
私たちのモデルであるNextBEVは、ResNet50やMobileNetV3といった既存の機能抽出ツールを超えています。
これらの軽量な提案を融合することにより、VoxelNetベースのモデルの精度を2.93%向上し、PointPillarベースのモデルのF1スコアを約20%改善しました。
論文 参考訳（メタデータ） (2025-03-10T10:03:23Z) - Unlearn and Burn: Adversarial Machine Unlearning Requests Destroy Model Accuracy [65.80757820884476]
未学習システムのデプロイにおいて、重要で未調査の脆弱性を公開しています。
本稿では,訓練セットに存在しないデータに対して,逆学習要求を送信することにより,攻撃者がモデル精度を劣化させることができる脅威モデルを提案する。
我々は、未学習要求の正当性を検出するための様々な検証メカニズムを評価し、検証の課題を明らかにする。
論文 参考訳（メタデータ） (2024-10-12T16:47:04Z) - Benchmarking Deep Learning Frameworks for Automated Diagnosis of Ocular
Toxoplasmosis: A Comprehensive Approach to Classification and Segmentation [1.3701366534590498]
眼トキソプラズマ症(Ocular Toxoplasmosis,OT)は、眼疾患を引き起こすT. gondiiによって引き起こされる一般的な眼感染症である。
本研究は、DL技術を活用し、安価で自動化され、使いやすく、正確な診断方法を開発しようとしている将来の研究者のためのガイドを提供する。
論文 参考訳（メタデータ） (2023-05-18T13:42:15Z) - ConvNeXt V2: Co-designing and Scaling ConvNets with Masked Autoencoders [104.05133094625137]
完全畳み込み型マスク付きオートエンコーダフレームワークと,新たなグローバル応答正規化層を提案する。
この自己教師付き学習技術とアーキテクチャ改善の共設計により、純粋なConvNetの性能を大幅に向上させるConvNeXt V2と呼ばれる新しいモデルファミリが生まれる。
論文 参考訳（メタデータ） (2023-01-02T18:59:31Z) - Glance and Focus: a Dynamic Approach to Reducing Spatial Redundancy in
Image Classification [46.885260723836865]
ディープ畳み込みニューラルネットワーク (Deep Convolutional Neural Network, CNN) は、高解像度画像で処理することで一般的に改善される。
画像中のすべての領域がタスク関連であるとは限らないという事実に着想を得て,効率的な画像分類を行う新しいフレームワークを提案する。
我々のフレームワークは、最先端の軽量CNNの多くと互換性があり、汎用的で柔軟です。
論文 参考訳（メタデータ） (2020-10-11T17:55:06Z) - Rethinking Bottleneck Structure for Efficient Mobile Network Design [154.47657111869552]
倒立残差ブロックは最近,モバイルネットワークのアーキテクチャ設計を支配している。
この構造を反転させ,より高次元でのアイデンティティマッピングと空間変換を行うサンドグラスブロックと呼ばれる新しいボトルネック設計を提案する。
ImageNet分類では、パラメータや計算量を増やすことなく、逆残差ブロックを砂時計ブロックに置き換えることによって、MobileNetV2よりも1.7%以上精度を向上することができる。
論文 参考訳（メタデータ） (2020-07-05T08:55:26Z) - CoDeNet: Efficient Deployment of Input-Adaptive Object Detection on
Embedded FPGAs [41.43273142203345]
FPGAの柔軟性を利用して、変形可能な畳み込みを伴う新しいオブジェクト検出パイプラインを開発する。
高効率実装では、ソリューションは毎秒26.9フレームに達し、小さなモデルサイズは0.76MBである。
我々のモデルはPascal VOCで67.1 AP50に達し、パラメータは20.9倍小さいがTiny-YOLOより10%正確である。
論文 参考訳（メタデータ） (2020-06-12T17:56:47Z)
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。