論文の概要: SapiensID 2.0: Aligning Human Recognition Foundation Models with Human Perception
- arxiv url: http://arxiv.org/abs/2608.10497v1
- Date: Tue, 11 Aug 2026 05:13:05 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-12 19:14:45.91465
- Title: SapiensID 2.0: Aligning Human Recognition Foundation Models with Human Perception
- Title（参考訳）: SapiensID 2.0:人間の認識基盤モデルと人間の知覚
- Abstract要約: SapiensID 2.0は、意味的および時間的認識の両方に富んだ人間の認識フレームワークである。
サピエンスID 2.0は、画像や映像に基づく人物の認識と歩行認識において、頑健な顔認識能力を維持しながら、性能を向上することを示す。
- 参考スコア（独自算出の注目度）: 27.413319129071116
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: While foundation models have significantly advanced human recognition across diverse modalities, they predominantly rely on static, geometric feature extraction. This approach fundamentally diverges from human perception. Consequently, current models often suffer from "semantic blindness," overfitting to transient noise while failing to leverage invariant soft biometrics, and struggle to capture temporal motion signatures. To bridge this gap, we propose SapiensID 2.0, a human recognition framework enriched with both semantic and temporal awareness. To overcome the lack of soft-biometric annotations, we transfer zero-shot semantic knowledge from Multimodal Large Language Models (MLLMs) into a discriminative embedding space. We resolve the dimensional mismatch between these spaces using Invariant Trait Alignment (ITA) to distill core persistent traits, and Transient Noise Disentanglement (TND) to decouple artifacts like clothing. Furthermore, we design a Kinematic Semantic Attention Head (K-SAH) that extends spatial attention across temporal windows. By tracking semantic patches over time, K-SAH captures rich kinematic signatures without requiring large-scale video datasets. Extensive experiments demonstrate that SapiensID 2.0 achieves state-of-the-art performance across image- and video-based person re-identification and gait recognition, while maintaining robust face recognition capabilities.
- Abstract（参考訳）: 基礎モデルには、多種多様なモダリティにまたがる人間の認識が著しく進歩しているが、それらは主に静的な幾何学的特徴抽出に依存している。
このアプローチは基本的に人間の知覚から分岐する。
その結果、現在のモデルは「セマンティック・ブラインドネス」(semantic blindness)に悩まされ、不変のソフトバイオメトリックスを活用するのに失敗しながら過度なノイズに過度に適応し、時間的動きのシグネチャを捉えるのに苦労する。
このギャップを埋めるために,人間の認識フレームワークであるSapiensID 2.0を提案する。
ソフトバイオメトリックアノテーションの欠如を克服するため,マルチモーダル大言語モデル(MLLM)からゼロショット意味知識を識別可能な埋め込み空間に転送する。
Invariant Trait Alignment (ITA) とTransient Noise Disentanglement (TND) を用いて, 衣服などのアーティファクトを分離する。
さらに,時空間の注意を時空間に広げるK-SAH(Kinematic Semantic Attention Head)を設計する。
時間とともにセマンティックパッチを追跡することで、K-SAHは大規模なビデオデータセットを必要とせずにリッチなキネマティックシグネチャをキャプチャする。
SapiensID 2.0は、画像とビデオに基づく人物の再識別と歩行認識において、堅牢な顔認識能力を維持しながら、最先端のパフォーマンスを達成することを実証した。
関連論文リスト
- DiffAttack: Evasion Attacks Against Face Recognition via Latent Diffusion Models [2.1485350418225244]
本稿では,潜在空間最適化による対向顔生成のための新しいアプローチを提案する。
顔認識モデルによって測定されるように、潜時拡散モデルを直接利用して、ターゲットアイデンティティの埋め込みに向けて生成をガイドする。
提案するフレームワークは,FFHQやCelebA-HQデータセットなどの標準ベンチマークで評価されている。
論文 参考訳（メタデータ） (2026-07-31T01:33:53Z) - DeSeG: Decoupling Semantic Intent and Geometric Constraints for Physically Plausible Human-Scene Interaction [50.06148080975928]
本稿では,意味的意図を幾何学的制約から明確に分離する階層型フレームワークであるDeSeGを提案する。
DeSeGは最先端のパフォーマンスを実現し、平均シーン浸透率を47%削減し、SOTAベースラインに対するセマンティックアライメントを29%改善した。
論文 参考訳（メタデータ） (2026-07-07T03:21:08Z) - DisPOSE: Projected Polystochastic Diffusion for Self-Supervised Multi-View 3D Human Pose Estimation [58.47973015036709]
DisPOSEは、本質的に離散的な多視点人物割り当て問題を近似する自己教師型フレームワークである。
特定可能なシンクホーン射影を用いることにより、本モデルは有効かつ実現可能な課題への解の導出を学ぶ。
提案手法は、標準データセット上での最先端の自己教師手法よりも優れている。
論文 参考訳（メタデータ） (2026-06-05T16:14:39Z) - Combo-Gait: Unified Transformer Framework for Multi-Modal Gait Recognition and Attribute Analysis [35.9240903956677]
本研究では,2次元の時間的シルエットと3次元のSMPL特徴を組み合わさって,ロバストな歩行分析を行うフレームワークを提案する。
識別以外にも、歩行認識と人的属性推定を共同で行うマルチタスク学習戦略を導入する。
提案手法は歩行認識における最先端手法より優れ,正確な人的属性推定を提供する。
論文 参考訳（メタデータ） (2025-10-12T02:56:40Z) - Rethinking Occlusion in FER: A Semantic-Aware Perspective and Go Beyond [10.015531203047598]
顔の閉塞を曖昧にするための補助的マルチモーダル・セマンティックガイダンスを導入したORSANetを提案する。
また,性差や性差などの内在性雑音を緩和するために,顔のランドマークをスパース幾何学として導入する。
提案するORSANetは,SOTA認識性能を実現する。
論文 参考訳（メタデータ） (2025-07-21T09:04:29Z) - STSA: Spatial-Temporal Semantic Alignment for Visual Dubbing [2.231167375820083]
空間的領域と時間的領域とのセマンティックな特徴の整合性は、顔の動きの安定化に有望なアプローチである、と我々は主張する。
本稿では,2経路アライメント機構と識別可能な意味表現を導入した時空間意味アライメント(STSA)手法を提案する。
論文 参考訳（メタデータ） (2025-03-29T11:04:10Z) - Towards Robust and Realistic Human Pose Estimation via WiFi Signals [85.60557095666934]
WiFiベースの人間のポーズ推定は、離散的で微妙なWiFi信号を人間の骨格にブリッジする難しいタスクである。
本論文は,本問題を再検討し,(1)ドメイン間ギャップ,(2)ソース・ターゲット領域のポーズ分布の顕著な変化,(2)骨格のポーズが歪んだトポロジーを示す構造的フィデリティギャップ,の2つの重要な問題を明らかにする。
本稿では,タスクをDT-Poseと呼ばれる新しい2段階のフレームワークに書き換えることで,これらのギャップを埋める:ドメイン一貫性表現学習とトポロジ制約ポスデコーディング。
論文 参考訳（メタデータ） (2025-01-16T09:38:22Z) - UniForensics: Face Forgery Detection via General Facial Representation [60.5421627990707]
高レベルの意味的特徴は摂動の影響を受けにくく、フォージェリー固有の人工物に限らないため、より強い一般化がある。
我々は、トランスフォーマーベースのビデオネットワークを活用する新しいディープフェイク検出フレームワークUniForensicsを導入し、顔の豊かな表現のためのメタファンクショナルな顔分類を行う。
論文 参考訳（メタデータ） (2024-07-26T20:51:54Z) - Distillation-guided Representation Learning for Unconstrained Gait Recognition [50.0533243584942]
本研究では,屋外シナリオにおける人間認証のためのGADER(GAit Detection and Recognition)フレームワークを提案する。
GADERは、歩行情報を含むフレームのみを使用する新しい歩行認識手法により識別的特徴を構築する。
室内および屋外のデータセットに一貫した改善を示すため,複数の歩行ベースライン(SoTA)について評価を行った。
論文 参考訳（メタデータ） (2023-07-27T01:53:57Z) - Towards a Deeper Understanding of Skeleton-based Gait Recognition [4.812321790984493]
近年、ほとんどの歩行認識法は、人のシルエットを使って歩行の特徴を抽出している。
モデルに基づく手法はこれらの問題に悩まされず、身体関節の時間運動を表現することができる。
本研究では,高次入力と残差ネットワークを組み合わせたグラフ畳み込みネットワーク(GCN)に基づくアプローチを提案する。
論文 参考訳（メタデータ） (2022-04-16T18:23:37Z) - Robust Person Re-Identification through Contextual Mutual Boosting [77.1976737965566]
本研究では,歩行者の局地化を目的としたコンテキスト相互ブースティングネットワーク(CMBN)を提案する。
歩行者をローカライズし、文脈情報と統計的推測を効果的に活用することで特徴を再検討する。
ベンチマークの実験は、最先端のアーキテクチャと比較してアーキテクチャの優位性を示している。
論文 参考訳（メタデータ） (2020-09-16T06:33:35Z)
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。