論文の概要: Balancing Foundation Models and Trait-Specific Learning for Forehead-Crease Recognition

• arxiv url: http://arxiv.org/abs/2610.29495v1
• Date: Wed, 21 Oct 2026 09:50:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-23 09:50:43.241166
• Title: Balancing Foundation Models and Trait-Specific Learning for Forehead-Crease Recognition
• Title（参考訳）: 前頭クラス認識のためのバランシング基礎モデルとトレイト特化学習
• Abstract要約: 額の領域は一貫して見え続けており、相補的な生体認証特性として機能する独特の亀裂パターンを含んでいる。 説明可能なゼロショット・レア・ソニング,ドメイン適応学習,特性特化モデリングにまたがる,額頭増加認識の統一的eval- uationを提案する。
• 参考スコア（独自算出の注目度）: 6.552310126201522
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Biometric recognition often degrades under partial facial vis- ibility, where conventional facial cues are occluded. The forehead region remains consistently visible and contains distinctive crease patterns that can serve as a complementary biometric trait. We present a unified eval- uation of forehead-crease recognition across explainable zero-shot rea- soning, domain-adaptive learning, and trait-specific modeling. FIRE en- ables interpretable zero-shot verification using multimodal large language models, while pretrained face-recognition models are adapted to the fore- head domain through margin-based learning. Under open-set evaluation, the best zero-shot model GPT-4o+FIRE achieves 18.22% EER, while Edge-Forehead achieves 8.30% EER and 54.01% TMR@0.1% FMR. The results show that although MLLMs offer interpretable zero-shot verifi- cation, trait-specific learning remains more effective for robust forehead- crease biometric recognition.
• Abstract（参考訳）: バイオメトリック認識は、従来の顔の手がかりが隠蔽されている部分的な顔の視認性の下で劣化することが多い。 額の領域は一貫して見え続けており、相補的な生体認証特性として機能する独特の亀裂パターンを含んでいる。 説明可能なゼロショット・レア・ソニング,ドメイン適応学習,特性特化モデリングにまたがる,額頭増加認識の統一的eval- uationを提案する。 FIRE en-はマルチモーダルな大言語モデルを用いてゼロショット検証を解釈できる一方、事前訓練された顔認識モデルは、マージンベースの学習を通じてフォアヘッドドメインに適応する。 オープンセット評価では、最高のゼロショットモデルであるGPT-4o+FIREは18.22%のEERを獲得し、エッジフォアヘッドは8.30%のEERと54.01%のTMR@0.1%のFMRを達成した。 その結果、MLLMは解釈可能なゼロショット・ベリフィカチオンを提供するが、特徴特化学習は頑健なフォアヘッドクレーゼバイオメトリック認識に有効であることがわかった。

関連論文リスト

• Automating Learner Assessment: Benchmarking Machine Learning and Deep Learning Models for EEG-Based Familiarity Prediction [0.0]
  本研究では,脳波による親しみ度予測のための機械学習(ML)モデルとディープラーニング(DL)モデルをベンチマークする。 標準層化クロスバリデーションは, 隣接するエポック間の時間的リークによる人工的に高い分類性能(最大0.9853 F1スコア)を示すが, 厳密な試行独立検証(Group K-Fold)により, ピーク性能は0.6038 F1スコアに低下する(CNNを使用)。 このことは、モデル一般化可能性の過大評価を避けるために、試行非依存評価の重要な必要性を強調している。
  論文  参考訳（メタデータ） (2026-08-17T13:15:45Z)
• 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)
• Reference-Specific Unlearning Metrics Can Hide the Truth: A Reality Check [60.77691669644931]
  本研究では,非学習モデルと参照モデル間の分布類似度を測定する新しい尺度であるFADE(Functional Alignment for Distributional Equivalence)を提案する。 FADEは出力分布全体の機能的アライメントをキャプチャし、真の未学習の原則的評価を提供する。 これらの知見は、現在の評価実践における根本的なギャップを明らかにし、FADEが真に効果的な未学習手法を開発し評価するための、より堅牢な基盤を提供することを示した。
  論文  参考訳（メタデータ） (2025-10-14T20:50:30Z)
• A Disease-Centric Vision-Language Foundation Model for Precision Oncology in Kidney Cancer [54.58205672910646]
  RenalCLIPは、腎腫瘤の特徴、診断、予後のための視覚言語基盤モデルである。 腎がんの完全な臨床ワークフローにまたがる10のコアタスクにおいて、優れたパフォーマンスと優れた一般化性を実現した。
  論文  参考訳（メタデータ） (2025-08-22T17:48:19Z)
• Benchmarking Foundation Models for Zero-Shot Biometric Tasks [8.276938046158163]
  基礎モデル、特にVLM(Vision-Language Models)とMLLM(Multi-modal Large Language Models)は、人工知能のフロンティアを再定義した。 本研究では,6つのバイオメトリック・タスクにわたる最先端のVLMとMLLMのゼロショット性能と少数ショット性能を評価するベンチマークを提案する。 実験により、これらの基礎モデルからの埋め込みは、様々な成功度を持つ多様な生体計測タスクに利用できることが示された。
  論文  参考訳（メタデータ） (2025-05-30T04:53:55Z)
• Orthogonal Subspace Decomposition for Generalizable AI-Generated Image Detection [58.87142367781417]
  航法的に訓練された検出器は、限定的で単調な偽のパターンに過度に適合する傾向にあり、特徴空間は高度に制約され、低ランクになる。 潜在的な治療法の1つは、ビジョンファウンデーションモデルに事前訓練された知識を取り入れて、機能領域を広げることである。 主要なコンポーネントを凍結し、残ったコンポーネントのみを適用することで、フェイクパターンを学習しながら、トレーニング済みの知識を保存します。
  論文  参考訳（メタデータ） (2024-11-23T19:10:32Z)
• Learning Common Rationale to Improve Self-Supervised Representation for Fine-Grained Visual Recognition Problems [61.11799513362704]
  我々は、インスタンスやクラスでよく見られる差別的手がかりを識別するための、追加のスクリーニングメカニズムの学習を提案する。 SSL目標から誘導されるGradCAMを単純に利用することで、共通な有理性検出器が学習可能であることを示す。
  論文  参考訳（メタデータ） (2023-03-03T02:07:40Z)
• Towards Intrinsic Common Discriminative Features Learning for Face Forgery Detection using Adversarial Learning [59.548960057358435]
  本稿では, 対人学習を利用して, 異なる偽造法と顔の同一性による負の効果を除去する手法を提案する。 我々の顔偽造検出モデルは、偽造法や顔の同一性の影響を排除し、共通の識別的特徴を抽出することを学ぶ。
  論文  参考訳（メタデータ） (2022-07-08T09:23:59Z)

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。