論文の概要: Different Defects, Different Effects: A Controlled Audit of Face Recognition Training Data

• arxiv url: http://arxiv.org/abs/2610.28766v1
• Date: Tue, 20 Oct 2026 18:04:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-23 00:40:06.113637
• Title: Different Defects, Different Effects: A Controlled Audit of Face Recognition Training Data
• Title（参考訳）: 異なる欠陥と異なる効果:顔認識訓練データの制御された監査
• Abstract要約: 我々は,MS1MV3にいくつかのトレーニングデータ欠陥が残っていることを示す。 正確な画像とほぼ重複した画像、分割アイデンティティ、作物のエラー、複数顔のあいまいさ、無効な内容の5つの欠陥カテゴリを識別する。 その結果、対象とする介入が保存され、場合によっては認識性能が向上することが示された。
• 参考スコア（独自算出の注目度）: 5.429555343961488
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The development of face recognition has been strongly supported by the availability of large-scale training datasets. Among them, MS-Celeb-1M has played an important role by providing millions of facial images from nearly 100K identities. However, the size and heterogeneity of such datasets increase the likelihood of annotation errors, redundant samples, and other forms of data inconsistency. This motivated the introduction of refined versions, such as MS1MV2 and MS1MV3, aimed at improving the quality of the training data. Despite these cleaning efforts, we show that several types of training-data defects remain in MS1MV3. By proposing complementary data-auditing strategies, we identify five defect categories: exact and near-duplicate images, split identities, crop errors, multiple-face ambiguity, and invalid content. We then assess the effect of correcting these defects under a controlled face-recognition training protocol based on IResNet-50 and ArcFace. The results show that targeted interventions can preserve, and in some cases improve, recognition performance while requiring fewer optimization steps to reach the performance of the original training set. Duplicate removal provides the clearest overall benefit, while split-identity merging and invalid-content removal also improve training efficiency. Overall, the results indicate that the effect of dataset cleaning depends strongly on the type of defect being addressed and provide further evidence that training-data quality remains an important and comparatively underexplored factor in large-scale face recognition. The training manifests and code used in this work will be released upon acceptance.
• Abstract（参考訳）: 顔認識の開発は、大規模なトレーニングデータセットが利用可能であることに強く支持されている。 このうち、MS-Celeb-1Mは100万近い人物から何百万もの顔画像を提供することで重要な役割を担っている。 しかし、そのようなデータセットのサイズと不均一性は、アノテーションエラー、冗長なサンプル、その他のデータ整合性の可能性を高める。 これにより、MS1MV2やMS1MV3のような洗練されたバージョンが導入され、トレーニングデータの品質向上を目指した。 以上より,MS1MV3のトレーニングデータ欠陥はいくつか残っていることが示唆された。 補完的なデータ監査戦略を提案することで、正確な画像とほぼ重複した画像、分割されたアイデンティティ、作物のエラー、複数顔の曖昧さ、無効なコンテンツという5つの欠陥カテゴリを識別する。 次に、IResNet-50とArcFaceに基づく顔認識訓練プロトコルにおいて、これらの欠陥を修正する効果を評価する。 その結果,対象とする介入が維持可能であること,場合によっては認識性能が向上する一方で,元のトレーニングセットのパフォーマンスに到達するための最適化ステップが少なくなること,などが示唆された。 重複除去は、最も明確な全体的な利点を提供する一方、分割アイデンティティのマージと無効コンテンツ除去は、トレーニング効率も向上する。 全体として、データセットのクリーニングの効果は、対処対象の欠陥の種類に強く依存していることを示し、大規模な顔認識において、トレーニングデータの品質が重要かつ比較的未探索な要素であることを示すさらなる証拠を提供する。 この作業で使用されるトレーニングマニフェストとコードは、受け入れ次第リリースされます。

関連論文リスト

• DiffProb: Data Pruning for Face Recognition [8.394561876328808]
  本稿では,顔認識における最初のデータ解析手法であるDiffProbについて述べる。 DiffProbは、いくつかの設定でデータセットの最大50%をプルーするが、検証精度は向上する。 本手法はトレーニングコストとデータ量を大幅に削減し,効率的な顔認識訓練を実現する。
  論文  参考訳（メタデータ） (2025-05-21T08:49:07Z)
• Impact of Data Duplication on Deep Neural Network-Based Image Classifiers: Robust vs. Standard Models [5.523654654803874]
  トレーニングセット、特に言語モデルにおける重複したデータは、かなりの注目を集めています。 本分析は, モデルトレーニングの効率に悪影響を及ぼす要因として, 重複画像の存在が示唆された。 重複サンプルが均一に選択されたとしても、重複量の増加は精度を著しく向上させるには至らない。
  論文  参考訳（メタデータ） (2025-04-01T10:48:00Z)
• SINDER: Repairing the Singular Defects of DINOv2 [61.98878352956125]
  大規模なデータセットでトレーニングされたビジョントランスフォーマーモデルは、抽出したパッチトークンにアーティファクトを表示することが多い。 本稿では,小さなデータセットのみを用いて構造欠陥を補正するスムーズなスムーズな正規化を提案する。
  論文  参考訳（メタデータ） (2024-07-23T20:34:23Z)
• The Bad Batches: Enhancing Self-Supervised Learning in Image Classification Through Representative Batch Curation [1.519321208145928]
  人間の監督なしに堅牢な表現を学ぶことの追求は、長年にわたる課題である。 本稿では,Fr'echet ResNet Distance(FRD)によるペアワイズ類似性計算を用いて,偽正負負対と偽負対の影響を緩和する。 提案手法の有効性は,STL10で87.74%,Flower102データセットで99.31%,自己教師付きコントラスト表現で訓練された線形分類器によって実証された。
  論文  参考訳（メタデータ） (2024-03-28T17:04:07Z)
• Effective Adapter for Face Recognition in the Wild [72.75516495170199]
  私たちは、画像が低品質で現実世界の歪みに悩まされる、野生の顔認識の課題に取り組みます。 従来のアプローチでは、劣化した画像や、顔の復元技術を使って強化された画像を直接訓練するが、効果がないことが証明された。 高品質な顔データセットで訓練された既存の顔認識モデルを強化するための効果的なアダプタを提案する。
  論文  参考訳（メタデータ） (2023-12-04T08:55:46Z)
• Cluster-level pseudo-labelling for source-free cross-domain facial expression recognition [94.56304526014875]
  表情認識のためのSFUDA法を提案する。 本手法は,自己教師付き事前学習を利用して,対象データから優れた特徴表現を学習する。 提案手法の有効性を4つの適応方式で検証し,FERに適用した場合,既存のSFUDA法より一貫して優れていることを示す。
  論文  参考訳（メタデータ） (2022-10-11T08:24:50Z)
• Boosting Facial Expression Recognition by A Semi-Supervised Progressive Teacher [54.50747989860957]
  本稿では,信頼度の高いFERデータセットと大規模未ラベル表現画像を有効訓練に用いるための半教師付き学習アルゴリズム,Progressive Teacher (PT)を提案する。 RAF-DB と FERPlus を用いた実験により,RAF-DB で89.57% の精度で最先端の性能を実現する手法の有効性が検証された。
  論文  参考訳（メタデータ） (2022-05-28T07:47:53Z)
• Omni-supervised Facial Expression Recognition via Distilled Data [120.11782405714234]
  ネットワークトレーニングにおいて,信頼度の高いサンプルを多量のラベルのないデータで活用するためのオムニ教師付き学習を提案する。 我々は,新しいデータセットが学習したFERモデルの能力を大幅に向上させることができることを実験的に検証した。 そこで本研究では,生成したデータセットを複数のクラスワイド画像に圧縮するために,データセット蒸留戦略を適用することを提案する。
  論文  参考訳（メタデータ） (2020-05-18T09:36:51Z)

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。