文献

J-GLOBAL ID：201902221933650498   整理番号：19A0512772

野生における顔検証のための深相関特徴学習【JST・京大機械翻訳】

Deep Correlation Feature Learning for Face Verification in the Wild

著者 (4件)： Deng Weihong (Pattern Recognition and Intelligent System Laboratory, School of Information and Communication Engineering, Beijing University of Posts and Telecommunications, Beijing, China) ,  Chen Binghui (Pattern Recognition and Intelligent System Laboratory, School of Information and Communication Engineering, Beijing University of Posts and Telecommunications, Beijing, China) ,  Fang Yuke (International School, Beijing University of Posts and Telecommunications, Beijing, China) ,  Hu Jiani (Pattern Recognition and Intelligent System Laboratory, School of Information and Communication Engineering, Beijing University of Posts and Telecommunications, Beijing, China)
資料名： IEEE Signal Processing Letters  (IEEE Signal Processing Letters)
巻： 24  号： 12  ページ： 1877-1881  発行年： 2017年 
JST資料番号： W0576A  ISSN： 1070-9908  CODEN： ISPLEM  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 畳込みニューラルネットワーク(CNN)は,通常,監視信号として最も柔軟な損失関数を使用する。深く学習された特徴の識別力を強化するために,顔検証タスクのための相関損失と呼ばれる新しい監視信号を提案した。特に,相関損失は,深い特徴ベクトルとそれらの対応する重みベクトルとの間の大きい相関を,ソフトマックス損失において奨励する。ソフトマックス損失と相関損失の共同監視によって,深い相関特徴学習(DCFL)ネットワークは,クラス間分離可能性とクラス内コンパクト性の両方によって深い特徴を学ぶことができて,それは顔検証のために非常に弁別であった。さらに重要なことに,クラスプロトタイプとしてのソフトマックス関数の重みベクトルを適用することにより,提案した相関損失関数はCNNのバックプロパゲーションの間に最適化することが容易である。最終的に,DCFL法は,ラベル付き顔(LFW)と若い管顔(YTF)ベンチマークに関する64層のResNetを用いて,それぞれ99.55%と96.06%の顔検証精度を達成する。Copyright 2019 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： *学習 ,  コンパクト性 ,  最適化 ,  ベクトル ,  ネットワーク ,  逆伝搬法 ,  損失関数 ,  プロトタイプ ,  ベンチマーク
準シソーラス用語： 特徴ベクトル ,  畳込みニューラルネットワーク , 【Automatic Indexing@JST】

分類 (3件)： パターン認識  (JE07000S) ,  音声処理  (JE05000E) ,  信号理論  (ND02020G)

タイトルに関連する用語 (4件)： 顔 ,  検証 ,  相関 ,  学習