論文の概要: A Multi-Task Deep Learning Framework for Pose-Invariant Face Recognition and Facial Landmark Localization

• arxiv url: http://arxiv.org/abs/2610.16849v1
• Date: Mon, 12 Oct 2026 14:23:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-18 21:15:06.194441
• Title: A Multi-Task Deep Learning Framework for Pose-Invariant Face Recognition and Facial Landmark Localization
• Title（参考訳）: 視点不変顔認識と顔のランドマーク位置認識のためのマルチタスク深層学習フレームワーク
• Abstract要約: 顔認識システムは、しばしば大きなポーズ変動の下で性能劣化を経験する。 本研究では、ポーズ不変の顔認識と顔のランドマークの局所化を共同で扱うマルチタスク深層学習フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Face recognition systems often experience performance degradation under large pose variations due to changes in facial appearance and visibility of discriminative features. This study presents a multi-task deep learning framework that jointly addresses pose-invariant face recognition and facial landmark localization within a unified architecture. To enable simultaneous optimization of identity recognition and facial structure learning, the original Cross-Pose Labeled Faces in the Wild (CPLFW) dataset was adapted into a multi-task learning dataset by associating facial images with identity labels and five-point landmark annotations. The proposed framework consists of two task-specific branches operating on a common facial input: a ResNet50-based branch for identity recognition and an EfficientNetV2B0-based branch with spatial attention for facial landmark localization. The two objectives are jointly optimized using a weighted multi-task loss, allowing the model to learn complementary semantic and spatial facial representations. The proposed framework was evaluated on the prepared CPLFW-based multi-task dataset. Unlike the original CPLFW benchmark, which focuses primarily on identity recognition, the proposed dataset adaptation incorporates five-point facial landmark annotations to enable joint recognition and localization learning. Experimental results demonstrate that the model achieves a validation recognition accuracy of 81.58% and a facial landmark localization mean squared error of 96.38. The results indicate that combining identity classification and landmark regression within a single optimization framework provides an effective approach for learning robust facial representations under cross-pose conditions The proposed method demonstrates the potential of multi-task learning and attention-based feature refinement for unconstrained facial analysis.
• Abstract（参考訳）: 顔認識システムは、顔の外観の変化と識別的特徴の可視性により、大きなポーズの変化の下で性能劣化を経験することが多い。 本研究では,ポーズ不変の顔認識と,統合アーキテクチャ内の顔のランドマークの局所化を共同で扱うマルチタスク深層学習フレームワークを提案する。 識別と顔構造学習の同時最適化を実現するため、元のCPLFWデータセットは、顔画像と識別ラベルと5点のランドマークアノテーションを関連付けることで、マルチタスク学習データセットに適合した。 提案するフレームワークは,共通の顔入力で動作する2つのタスク固有ブランチ – 識別のためのResNet50ベースのブランチと,顔のランドマークのローカライゼーションのための空間的注意を伴うEfficientNetV2B0ベースのブランチ – で構成されている。 2つの目的は重み付きマルチタスク損失を用いて協調的に最適化され、モデルが相補的意味と空間的顔表現を学習することができる。 提案手法をCPLFWを用いたマルチタスクデータセットを用いて評価した。 個人認証を主眼とするCPLFWベンチマークとは異なり、提案したデータセット適応には5点の顔のランドマークアノテーションが組み込まれており、共同認識とローカライゼーション学習が可能である。 実験結果から, 検証精度は81.58%, 顔のランドマーク位置推定平均2乗誤差は96.38であることがわかった。 その結果、単一最適化フレームワークにおける識別分類とランドマーク回帰を組み合わせることで、多目的条件下での堅牢な顔表現の学習に効果的なアプローチが得られ、提案手法は、制約のない顔分析におけるマルチタスク学習と注意に基づく特徴改善の可能性を示す。

関連論文リスト

• CLIP Unreasonable Potential in Single-Shot Face Recognition [0.0]
  顔認識は、顔のパターンや特徴を分析して個人を識別し、認証するために設計されたコンピュータビジョンの中核的なタスクである。 近年,OpenAIによって開発されたCLIP(Contrastive Language Image Pretraining)モデルが注目されている。 CLIPは自然言語処理と視覚タスクを結びつけることで、モジュール間の一般化を可能にする。
  論文  参考訳（メタデータ） (2024-11-19T08:23:52Z)
• Improving Facial Landmark Detection Accuracy and Efficiency with Knowledge Distillation [4.779050216649159]
  本稿では,知識蒸留法の開発を通じて,これらの課題に対処する新しいアプローチを提案する。 私たちの目標は、さまざまな条件下で顔のランドマークを正確に特定できるモデルを設計することです。 この手法は成功し、IEEE ICME 2024 PAIRコンペティションの参加者165人中6位に終わった。
  論文  参考訳（メタデータ） (2024-04-09T05:30:58Z)
• Faceptor: A Generalist Model for Face Perception [52.8066001012464]
  Faceptorは、よく設計されたシングルエンコーダのデュアルデコーダアーキテクチャを採用するために提案されている。 Faceptorへのレイヤアテンションにより、モデルが最適なレイヤから機能を適応的に選択して、望ましいタスクを実行することができる。 我々のトレーニングフレームワークは補助的な教師付き学習にも適用でき、年齢推定や表現認識といったデータスパースタスクの性能を大幅に向上させることができる。
  論文  参考訳（メタデータ） (2024-03-14T15:42:31Z)
• LAFS: Landmark-based Facial Self-supervised Learning for Face Recognition [37.4550614524874]
  我々は、効果的な顔認識モデルの訓練に適応できる顔表現の学習に焦点をあてる。 本研究では,自己教師付き事前学習による未ラベル顔画像の学習戦略について検討する。 提案手法は,複数の顔認識ベンチマークにおける最先端技術よりも大幅に向上する。
  論文  参考訳（メタデータ） (2024-03-13T01:07:55Z)
• CIAO! A Contrastive Adaptation Mechanism for Non-Universal Facial Expression Recognition [80.07590100872548]
  本稿では、顔エンコーダの最後の層に異なるデータセットの特定の感情特性を適応させるメカニズムであるContrastive Inhibitory Adaptati On(CIAO)を提案する。 CIAOは、非常にユニークな感情表現を持つ6つの異なるデータセットに対して、表情認識性能が改善されている。
  論文  参考訳（メタデータ） (2022-08-10T15:46:05Z)
• TransFA: Transformer-based Representation for Face Attribute Evaluation [87.09529826340304]
  我々はtextbfTransFA を用いたtextbfattribute 評価のための新しい textbf Transformer 表現を提案する。 提案するTransFAは,最先端手法と比較して優れた性能を示す。
  論文  参考訳（メタデータ） (2022-07-12T10:58:06Z)
• Progressive Spatio-Temporal Bilinear Network with Monte Carlo Dropout for Landmark-based Facial Expression Recognition with Uncertainty Estimation [93.73198973454944]
  提案手法の性能は, 広く使用されている3つのデータセットで評価される。 ビデオベースの最先端の手法に匹敵するが、複雑さははるかに少ない。
  論文  参考訳（メタデータ） (2021-06-08T13:40:30Z)
• Distribution Alignment: A Unified Framework for Long-tail Visual Recognition [52.36728157779307]
  長尾視覚認識のための分散アライメント戦略を提案する。 次に,二段階学習における一般化された再重み付け法を導入して,事前のクラスバランスをとる。 提案手法は, 4つの認識タスクすべてにおいて, 単純で統一されたフレームワークを用いて最先端の結果を得る。
  論文  参考訳（メタデータ） (2021-03-30T14:09:53Z)
• Dual-Attention GAN for Large-Pose Face Frontalization [59.689836951934694]
  本稿では,フォトリアリスティック顔フロンダル化のためのDA-GAN(Dual-Attention Generative Adversarial Network)を提案する。 具体的には、ローカル機能と長距離依存関係を統合するために、自己アテンションベースのジェネレータが導入された。 顔領域の局所的特徴を強調するために,新しい顔認識に基づく識別器を適用した。
  論文  参考訳（メタデータ） (2020-02-17T20:00:56Z)

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。