論文の概要: A Comparative Transfer-Learning Study of CNN Backbones for Partial Face Recognition on the SoF Dataset

• arxiv url: http://arxiv.org/abs/2609.31677v1
• Date: Wed, 16 Sep 2026 08:15:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 13:55:48.686087
• Title: A Comparative Transfer-Learning Study of CNN Backbones for Partial Face Recognition on the SoF Dataset
• Title（参考訳）: SoFデータセットにおける部分顔認識のためのCNNバックボーンの比較伝達学習
• Abstract要約: 本稿では,3つの事前訓練された畳み込みバックボーン,ResNet-50,VGG-16,FaceNetの比較を行った。 FaceNetの構成であるPFN(Partial FaceNet)は、マクロ平均87.04%の精度、84.61%のリコール、84.17%のF1という112のアイデンティティクラスで97.4%の精度を達成した。
• 参考スコア（独自算出の注目度）: 0.5872014229110214
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Face recognition is widely deployed in surveillance, access control, and forensic workflows, yet accuracy degrades sharply once the face is occluded by accessories, foreground objects, or the frame edge. Because most faces in the wild are partial, robust partial face recognition (PFR) remains open. This paper compares three pretrained convolutional backbones, ResNet-50, VGG-16, and FaceNet, fine-tuned for PFR by transfer learning under identical preprocessing, splitting, and optimization protocols on the Specs-on-Faces (SoF) dataset. All three arms use a common 160x160 input and a frozen backbone with a trainable head under a fixed epoch budget and no per-backbone hyperparameter search. The FaceNet configuration, denoted PFN (Partial FaceNet), substantially outperforms the other two, reaching 97.4% test accuracy with macro-averaged 87.04% precision, 84.61% recall, and 84.17% F1 over the 112 identity classes, the highest accuracy and recall reported on SoF.
• Abstract（参考訳）: 顔認識は、監視、アクセス制御、および法医学のワークフローに広く展開されているが、顔がアクセサリー、前景のオブジェクト、フレームのエッジによって遮られれば、精度は急激に低下する。 野生のほとんどの顔は部分的であるため、頑健な部分的顔認識(PFR)が残っている。 本稿では, 3つの事前学習された畳み込みバックボーン, ResNet-50, VGG-16, FaceNetを比較し, 同一の事前処理, スプリッティング, およびSpecs-on-Faces(SoF)データセット上での最適化プロトコルによるPFRのための微調整を行う。 3つのアームは共通の160x160入力と、固定されたエポック予算の下で訓練可能なヘッドを備えた冷凍バックボーンを使用しており、バックボーンごとのハイパーパラメーター探索は行わない。 PFN(Partial FaceNet)と呼ばれるFaceNetの構成は、マクロ平均の87.04%の精度で97.4%の精度、84.61%のリコール、84.17%のF1を112のアイデンティティクラスで達成し、SoFで報告された最も高い精度とリコールを達成した。

関連論文リスト

• PLGSA-Transformer: Periocular Landmark-Guided Attention with Occlusion-Adaptive Cosine Thresholding for Cross-Modal Masked and Unmasked Face Recognition [0.0]
  本稿では,3つのコントリビューションを持つクロスモーダル顔マッチングフレームワークであるPLGSA-Transformerを提案する。 PLGSA-Transformerは、ROC AUC 1.0000で97.22%のペア検証精度を達成し、VGG-16ベースのMUFMを上回った。
  論文  参考訳（メタデータ） (2026-07-03T19:48:17Z)
• Only Train Once: Uncertainty-Aware One-Class Learning for Face Authenticity Detection [37.21432992418335]
  FADNetは、顔の偽造検出を一級分類タスクとして再構成する自己教師型フレームワークである。 Evidential Deep Learning (EDL) を組み込んで予測の不確実性を定量化し、プラグアンドプレイの擬似偽画像生成器 (PFIG) を用いて決定境界を絞り込む。 FADNetは既存のSOTA法を大幅に上回り、平均精度は96.63%、平均精度は98.83%である。
  論文  参考訳（メタデータ） (2026-05-11T06:10:04Z)
• Masked Face Recognition under Different Backbones [8.3465195932175]
  パンデミック後の時代には、民間航空の乗客の大多数がセキュリティチェック中にマスクを着用している。 バックボーンネットワークは 顔認識モデルの コアコンポーネントとして機能する Vit-Small/Tinyは強力なマスキング性能を示し、有効性は向上した。
  論文  参考訳（メタデータ） (2026-01-23T04:33:37Z)
• Foundation versus Domain-specific Models: Performance Comparison, Fusion, and Explainability in Face Recognition [23.062479287841878]
  すべての顔ベンチマークデータセットでは、ドメイン固有のモデルはゼロショット基礎モデルよりも優れていた。 ファウンデーションモデルとドメイン固有の顔認識モデルとの単純なスコアレベル融合により、偽マッチング率の低い精度が向上した。 GPT-4oやGrok-4のような基礎モデルは、顔認識パイプラインに説明可能性を提供することができる。
  論文  参考訳（メタデータ） (2025-07-04T12:46:45Z)
• Toward High Quality Facial Representation Learning [58.873356953627614]
  我々はMask Contrastive Face (MCF)と呼ばれる自己教師型事前学習フレームワークを提案する。 トレーニング済みの視覚バックボーンの特徴マップを監視項目として使用し、マスク画像モデリングに部分的にトレーニング済みのデコーダを使用する。 このモデルはAFLW-19顔アライメントの0.932 NME_diag$とLaPa顔解析の93.96 F1スコアを達成する。
  論文  参考訳（メタデータ） (2023-09-07T09:11:49Z)
• TransFace++: Rethinking the Face Recognition Paradigm with a Focus on Accuracy, Efficiency, and Security [56.24794071698785]
  顔認識(FR)技術は、ディープラーニングの出現に大きく貢献している。 ほとんどの既存のFRモデルは、畳み込みニューラルネットワーク(CNN)上に構築されており、RGBの顔画像をモデルの入力として取り込んでいる。 本稿では,2つの新しいFRフレームワークであるTransFaceとTransFace++を提案する。
  論文  参考訳（メタデータ） (2023-08-20T02:02:16Z)
• Multi-Prior Learning via Neural Architecture Search for Blind Face Restoration [61.27907052910136]
  Blind Face Restoration (BFR)は、高品質な顔画像から高品質な顔画像を復元することを目的としている。 1)手動チューニングを伴わない強力なネットワークアーキテクチャの導出方法,2) 複数の顔前者からの補完情報を1つのネットワークで取得して復元性能を向上させる方法,の2つの大きな課題がある。 特定検索空間内において,適切な特徴抽出アーキテクチャを適応的に探索する顔復元検索ネットワーク(FRSNet)を提案する。
  論文  参考訳（メタデータ） (2022-06-28T12:29:53Z)
• WebFace260M: A Benchmark for Million-Scale Deep Face Recognition [89.39080252029386]
  我々は、未修正4MのID/260Mの顔(WebFace260M)とクリーン2MのID/42Mの顔(WebFace42M)を含む新しい100万スケールの認識ベンチマークに貢献する。 分散フレームワークは、性能を損なうことなく、顔認識モデルを効率的に訓練するために開発された。 提案したベンチマークは、標準、マスク付き、偏見のない顔認識シナリオにおいて大きな可能性を示している。
  論文  参考訳（メタデータ） (2022-04-21T14:56:53Z)
• End2End Occluded Face Recognition by Masking Corrupted Features [82.27588990277192]
  最先端の一般的な顔認識モデルは、隠蔽された顔画像に対してうまく一般化しない。 本稿では,1つのエンドツーエンドのディープニューラルネットワークに基づいて,オクルージョンに頑健な新しい顔認識手法を提案する。 我々のアプローチは、深い畳み込みニューラルネットワークから破損した特徴を発見し、動的に学習されたマスクによってそれらをきれいにする。
  論文  参考訳（メタデータ） (2021-08-21T09:08:41Z)
• FedFace: Collaborative Learning of Face Recognition Model [66.84737075622421]
  FedFaceは顔認識モデルの協調学習のためのフレームワークである。 各クライアントに格納された顔画像が、他のクライアントや中央ホストと共有されない、正確で汎用的な顔認識モデルを学ぶ。 コードとトレーニング済みモデルは公開される予定です。
  論文  参考訳（メタデータ） (2021-04-07T09:25:32Z)

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。