論文の概要: Hard Sample-Conditioned Decorrelated Attention for Robust Face Recognition

• arxiv url: http://arxiv.org/abs/2610.41789v1
• Date: Fri, 30 Oct 2026 14:21:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-02 22:05:31.767707
• Title: Hard Sample-Conditioned Decorrelated Attention for Robust Face Recognition
• Title（参考訳）: ロバスト顔認識のためのハードサンプル記述型劣化関連注意
• Abstract要約: サンプル難易度に注意を向けるViT-HarDisを提案する。 実験では、ほとんどのベンチマークでベースラインと均一なアンタングルメントの改善が示されている。
• 参考スコア（独自算出の注目度）: 16.250163286204593
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Multi-head attention in Vision Transformers (ViTs) allows independent attention patterns across heads, but without explicit regularization, heads may learn redundant patterns rather than complementary roles. Correlation-based penalties encourage head disentanglement, yet apply uniform regularization across all training samples. In face recognition (FR), hard samples whose embeddings lie close to competing identities are critical for optimization and generalization. Motivated by this, we propose ViT-HarDis, which conditions attention head disentanglement on sample difficulty: samples with high cosine similarity to negative class centers receive stronger head decorrelation, enforcing specialization where identity ambiguity is highest. Experiments show improvements over both the baseline and uniform disentanglement on most benchmarks. Our analysis shows that ViT-HarDis reduces the similarity of hard samples to competing class centers while decreasing inter-head attention similarity, and that applying disentanglement only to the final transformer layers outperforms regularizing the entire network. Trained on WebFace4M, ViT-HarDis achieves SOTA results among ViT-based methods on IJB-B, IJB-C, and TinyFace Rank-1, while achieving the best IJB-B and TinyFace results when trained on MS1MV3, improving FR without architectural modifications or additional inference cost. Code: https://github.com/TaharChettaoui/Hard-Sample-Conditioned-Attention-for-FR.
• Abstract（参考訳）: 視覚変換器(ViT)のマルチヘッドアテンションは、ヘッド間の独立な注意パターンを可能にするが、明示的な正規化がなければ、ヘッドは補完的な役割ではなく、冗長なパターンを学ぶことができる。 相関に基づく罰則は頭部のゆがみを促進するが、全てのトレーニングサンプルに一様正則化を適用する。 顔認識(FR)では、埋め込みが競合するアイデンティティに近い硬いサンプルが最適化と一般化に欠かせない。 そこで本研究では, 負のクラス中心とのコサイン類似度が高い試料はより強い頭部デコリレーションを受け, 同一性あいまい度が高い特殊化を強制する, サンプル難易度に注意を向けるViT-HarDisを提案する。 実験では、ほとんどのベンチマークでベースラインと均一なアンタングルメントの改善が示されている。 分析の結果、VT-HarDisは、頭間注目の類似性を低下させながら、ハードサンプルとクラスセンターとの類似性を低下させ、最終変圧器層のみに不整合を施すことにより、ネットワーク全体の正規化に優れることがわかった。 WebFace4MでトレーニングされたViT-HarDisは、IJB-B、IJB-C、TinyFace Rank-1のViTベースの手法でSOTA結果を得ると同時に、MS1MV3でトレーニングした時に最高のIJB-BとTinyFaceの結果を達成し、アーキテクチャ変更や追加の推論コストなしでFRを改善する。 コード:https://github.com/TaharChettaoui/Hard-Sample-Conditioned-Attention-for-FR。

関連論文リスト

• Focus When Necessary: Adaptive Routing and Collaborative Grounding for Training-Free Visual Grounding [56.38477453373368]
  LazyMCoTは動的でトレーニング不要なフレームワークで、サンプルの難易度に基づいて視覚的接地作業を適応的に割り当てる。 LazyMCoTは、推論精度を同時に改善し、平均推論レイテンシを低減することで、トレーニングベースのアプローチと競合する。
  論文  参考訳（メタデータ） (2026-06-15T03:17:44Z)
• SMFormer: Empowering Self-supervised Stereo Matching via Foundation Models and Data Augmentation [55.67206878777881]
  本稿では、VFM(Vision Foundation Model)とデータ拡張によって導かれる、より信頼性の高いセルフスーパービジョンを統合するフレームワークであるSMFormerを提案する。 SMFormerは、自己教師付きメソッド間での最先端(SOTA)のパフォーマンスを達成し、教師付きメソッドと同等に競合する。
  論文  参考訳（メタデータ） (2026-04-11T13:56:41Z)
• FGTBT: Frequency-Guided Task-Balancing Transformer for Unified Facial Landmark Detection [23.621221246543627]
  本稿では,FGTBT ( Frequency-Guided Task-Balancing Transformer) を提案する。 ファイングラインド・マルチタスク・バランシング・ロス(FMB-loss)は、個々のランドマークに重みを割り当てることで、粗いタスクレベルのバランシングを越えている。 周波数誘導構造認識(FGSA)モデルは、周波数誘導構造注入と規則化を利用して顔構造制約の学習を支援するように設計されている。
  論文  参考訳（メタデータ） (2026-01-19T09:21:14Z)
• Debunk the Myth of SFT Generalization [13.700645417996412]
  一般的な見解では、教師付き微調整(SFT)は一般化に失敗するが、強化学習(RL)はより広範な堅牢性を実現する。 SFTが認識する障害の多くは凍結急激な人工物によるものであることを示す。 SFTがより厳密なタスクを一般化できるかどうかを問う。
  論文  参考訳（メタデータ） (2025-09-30T20:01:09Z)
• Try Harder: Hard Sample Generation and Learning for Clothes-Changing Person Re-ID [4.256800812615341]
  ハードサンプルは、人物の再識別(ReID)タスクにおいて重要な課題となる。 それら固有の曖昧さや類似性は、明示的な定義の欠如と相まって、根本的なボトルネックとなっている。 本稿では,新しいマルチモーダル型ハードサンプル生成学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-07-15T09:14:01Z)
• COSEE: Consistency-Oriented Signal-Based Early Exiting via Calibrated Sample Weighting Mechanism [32.015402521706825]
  早期終了は事前学習言語モデル(PLM)の推論効率を改善する効果的なパラダイムである 本稿では,COSEE(Consistency-Oriented Signal-based Early Exiting)フレームワークを提案する。 GLUEベンチマークの実験では、複数の出口信号とバックボーンにまたがるCOSEEの有効性が実証され、パフォーマンスと効率のトレードオフが向上した。
  論文  参考訳（メタデータ） (2024-12-17T16:24:55Z)
• MoE-FFD: Mixture of Experts for Generalized and Parameter-Efficient Face Forgery Detection [54.545054873239295]
  ディープフェイクは、最近、国民の間で重大な信頼問題とセキュリティ上の懸念を提起した。 ViT法はトランスの表現性を生かし,優れた検出性能を実現する。 この研究は、汎用的でパラメータ効率のよいViTベースのアプローチであるFace Forgery Detection (MoE-FFD)のためのMixture-of-Expertsモジュールを導入する。
  論文  参考訳（メタデータ） (2024-04-12T13:02:08Z)
• Blind Face Restoration: Benchmark Datasets and a Baseline Model [63.053331687284064]
  Blind Face Restoration (BFR) は、対応する低品質 (LQ) 入力から高品質 (HQ) の顔画像を構築することを目的としている。 EDFace-Celeb-1M (BFR128) と EDFace-Celeb-150K (BFR512) と呼ばれる2つのブラインドフェイス復元ベンチマークデータセットを最初に合成する。 最先端の手法は、ブラー、ノイズ、低解像度、JPEG圧縮アーティファクト、それらの組み合わせ(完全な劣化)の5つの設定でベンチマークされる。
  論文  参考訳（メタデータ） (2022-06-08T06:34:24Z)
• Deep Semantic Matching with Foreground Detection and Cycle-Consistency [103.22976097225457]
  深層ネットワークに基づく弱い教師付きセマンティックマッチングに対処する。 本研究では,背景乱れの影響を抑えるために,前景領域を明示的に推定する。 複数の画像にまたがって予測変換を強制し、幾何的に可視かつ一貫したサイクル一貫性の損失を発生させる。
  論文  参考訳（メタデータ） (2020-03-31T22:38:09Z)

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。