論文の概要: IJCB-AFMFR 2026: Competition on Adapting Foundation Models for Face Recognition Using Synthetic Training Data
- arxiv url: http://arxiv.org/abs/2607.24422v1
- Date: Mon, 27 Jul 2026 13:35:52 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-28 22:34:15.441988
- Title: IJCB-AFMFR 2026: Competition on Adapting Foundation Models for Face Recognition Using Synthetic Training Data
- Title（参考訳）: IJCB-AFMFR 2026:合成学習データを用いた顔認識のための基礎モデル適応コンペティション
- Authors: Tahar Chettaoui, Guray Ozgur, Eduarda Caldeira, Arturas Nakvosas, Hatef Otroshi Shahreza, Sébastien Marcel, Rishabh Shukla, Aditya Takkar, Rushil Khullar, Lalak Yadav, Gourav Gupta, Anant Gupta, Shiqi Yu, Vitomir Struc, Naser Damer, Fadi Boutros,
- Abstract要約: 合成学習データ(AFMFR)を用いた顔認識のための基礎モデル適応コンペティションの概要を述べる。
コンペティションは4つの異なるチームから2つの補完的なトラックの合計8つの有効な応募を受けた。
以上の結果から,CLIPファンデーションモデルの合成トレーニングデータへの適応は,市販モデルよりも大幅に向上することが示された。
- 参考スコア（独自算出の注目度）: 43.02228044747981
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: This paper presents a summary of the Competition on Adapting Foundation Models for Face Recognition Using Synthetic Training Data (AFMFR), held at the 2026 International Joint Conference on Biometrics (IJCB 2026). The competition received a total of eight valid submissions from four distinct teams across two complementary tracks: a Full Data Track, in which participants adapt the CLIP ViT-L/14 foundation model using large-scale synthetic identity data, and a Limited Data Track, designed to reflect more resource-constrained adaptation regimes. All training data was generated exclusively using IDPERTURB. Submitted solutions are ranked based on verification and identification performance across a diverse suite of benchmarks, including LFW, CFP-FP, AgeDB-30, CALFW, CPLFW, IJB-B, IJB-C, and TinyFace, using the Borda count method. Fairness evaluation is additionally conducted on the RFW dataset across four demographic groups. The results demonstrate that adaptation of the CLIP foundation model with synthetic training data substantially improves over the off-the-shelf model and, in several cases, surpasses the baseline. Notably, full fine-tuning with Sub-Center ArcFace (DMSTI-Neurotechnology) leads the Full Data Track, while rank-stabilized LoRA adaptation (Idiap-BSP) proves most effective under limited-data conditions.
- Abstract（参考訳）: 本稿では,2026年国際バイオメトリックス合同会議(IJCB 2026)で開催されているAFMFRを用いた顔認識のための基礎モデルに関するコンペティションについて概説する。
参加者は大規模な合成IDデータを使用してCLIP ViT-L/14ファンデーションモデルに適応するFull Data Trackと、リソースに制約のある適応体制を反映するように設計されたLimited Data Trackである。
全てのトレーニングデータはIDPERTURBで排他的に生成される。
Borda count法を用いて,LFW,CFP-FP, AgeDB-30, CALFW, CPLFW, IJB-B, IJB-C, TinyFace など,さまざまなベンチマークスイートの検証と識別性能に基づいて,提案されたソリューションをランク付けする。
さらに,4つの集団を対象としたRFWデータセットにおいて,公平性の評価を行った。
以上の結果から,CLIPファンデーションモデルの合成トレーニングデータへの適応は市販モデルよりも大幅に向上し,いくつかの場合においてベースラインを超えることが示唆された。
特に、サブセンターArcFace(DMSTI-Neuro Technologies)によるフル微調整はフルデータトラックをリードする一方、ランク安定化LoRA適応(Idiap-BSP)は限られたデータ条件下で最も効果的である。
関連論文リスト
- Meta-Ensemble Learning with Diverse Data Splits for Improved Respiratory Sound Classification [4.790443834378345]
信頼性のある呼吸音分類モデルの訓練は、データセットのサイズや対象の多様性が制限されているため、依然として困難である。
本研究では,多様なデータ分割に基づくトレーニングベースモデルにより,予測の多様性を高めるメタアンサンブル学習手法について検討する。
ICBHIベンチマークでは66.49%のスコアに到達した。
論文 参考訳（メタデータ） (2026-04-27T06:38:57Z) - Motif-2-12.7B-Reasoning: A Practitioner's Guide to RL Training Recipes [7.998815625852598]
複雑な推論と長文理解において,オープンウェイトシステムとプロプライエタリフロンティアモデルのギャップを埋めるために設計された12.7Bパラメータ言語モデルを導入する。
提案手法は,ハイブリッド並列処理とカーネルレベルの最適化を用いて,64Kのコンテキストに対するメモリ効率のよいインフラストラクチャを組み合わせる。
本稿では,難易度を考慮したデータフィルタリングと混成政治軌道再利用によるトレーニングを安定化する,堅牢な強化学習ファインタニングパイプラインについて述べる。
論文 参考訳（メタデータ） (2025-12-11T00:51:18Z) - A Novel Algorithm for Personalized Federated Learning: Knowledge Distillation with Weighted Combination Loss [0.0]
pFedKD-WCLは知識蒸留と二段階最適化を統合し、非IID課題に対処する。
我々は,MNISTデータセットと非IID合成データセットを用いたpFedKD-WCLを,多相ロジスティック回帰モデルと多層パーセプトロンモデルを用いて評価した。
論文 参考訳（メタデータ） (2025-04-06T23:22:03Z) - FedMAP: Personalised Federated Learning for Real Large-Scale Healthcare Systems [14.378330471182586]
フェデレーテッド・ラーニング(FL)は、データのプライバシを保護しながら、医療現場での機械学習を可能にすることを約束する。
我々は,局所的な最大値(MAP)推定による統計的不均一性に対処するパーソナライズされたFLフレームワークであるFedMAPを紹介する。
局所トレーニング,FedAvg,PFL法を3つの大規模臨床データセットで比較検討した。
論文 参考訳（メタデータ） (2024-05-29T11:28:06Z) - SDFR: Synthetic Data for Face Recognition Competition [51.9134406629509]
大規模な顔認識データセットは、インターネットをクロールして個人の同意なしに収集し、法的、倫理的、プライバシー上の懸念を提起する。
近年、ウェブクローリングされた顔認識データセットにおける懸念を軽減するために、合成顔認識データセットの生成が提案されている。
本稿では,第18回IEEE International Conference on Automatic Face and Gesture Recognition (FG 2024)と共同で開催されているSynthetic Data for Face Recognition (SDFR)コンペティションの概要を紹介する。
SDFRコンペティションは2つのタスクに分けられ、参加者は新しい合成データセットまたは/または既存のデータセットを使用して顔認識システムを訓練することができる。
論文 参考訳（メタデータ） (2024-04-06T10:30:31Z) - Bridging the Gap: Generalising State-of-the-Art U-Net Models to
Sub-Saharan African Populations [37.59488403618245]
腫瘍セグメンテーションモデルにとって重要な課題は、多様な臨床環境に適応できる能力である。
2022年のBraTSコンペティションにおける第2位を確保したフレームワークを再現し、データセット合成がモデル性能に与える影響を調査した。
論文 参考訳（メタデータ） (2023-12-19T01:03:19Z) - SynFacePAD 2023: Competition on Face Presentation Attack Detection Based
on Privacy-aware Synthetic Training Data [51.42380508231581]
バイオメトリックス国際会議(IJCB 2023)におけるプライバシ・アウェア・シンセティック・トレーニングデータ(SynFacePAD 2023)に基づく顔提示攻撃検出コンペティションの概要を述べる。
このコンペティションは、個人データに関連するプライバシー、法的、倫理的懸念に動機づけられた、合成ベースのトレーニングデータを考慮して、顔の提示攻撃を検出するソリューションを動機付け、誘致することを目的としている。
提案されたソリューションはイノベーションと新しいアプローチを示し、調査されたベンチマークで考慮されたベースラインを上回りました。
論文 参考訳（メタデータ） (2023-11-09T13:02:04Z) - EFaR 2023: Efficient Face Recognition Competition [51.77649060180531]
バイオメトリックス国際会議(IJCB 2023)における効率的な顔認識コンペティション(EFaR)の概要について述べる。
この競技会は6つの異なるチームから17の応募を受けた。
提案したソリューションは、様々なベンチマークで達成された検証精度の重み付けスコアと、浮動小数点演算数とモデルサイズによって与えられるデプロイ可能性に基づいてランク付けされる。
論文 参考訳（メタデータ） (2023-08-08T09:58:22Z) - Team Cogitat at NeurIPS 2021: Benchmarks for EEG Transfer Learning
Competition [55.34407717373643]
脳波復号のための主題に依存しないディープラーニングモデルの構築は、強い共シフトの課題に直面している。
我々のアプローチは、ディープラーニングモデルの様々な層に特徴分布を明示的に整列させることです。
この方法論は、NeurIPSカンファレンスで開催されている2021年のEEG Transfer Learningコンペティションで優勝した。
論文 参考訳（メタデータ） (2022-02-01T11:11:08Z)
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。