文献

J-GLOBAL ID：202102241561210730   整理番号：21A1194569

顔美予測のための深層学習【JST・京大機械翻訳】

Deep Learning for Facial Beauty Prediction

著者 (4件)： Cao Kerang (Department of Computer Science and Engineering, Shenyang University of Chemical Technology, Shenyang 110000, China) ,  Choi Kwang-nam (NTIS Center, Korea Institute of Science and Technology Information, Seoul 34113, Korea) ,  Jung Hoekyung (Department of Computer Engineering, Paichai University, Daejeon 35345, Korea) ,  Duan Lini (Department of Computer Science and Engineering, Shenyang University of Chemical Technology, Shenyang 110000, China)
資料名： Information (Web)  (Information (Web))
巻： 11  号： 8  ページ： 391  発行年： 2020年 
JST資料番号： U7203A  ISSN： 2078-2489  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： スイス (CHE)  言語： 英語 (EN)

抄録/ポイント： 顔美的予測(FBP)は,魅力評価の急な課題であり,人間意見と一致する評価を行うことを目的とする。FBPは回帰問題であるので,この問題を扱うため,顔の特徴と美的評価の間の関係を見つけるためのデータ駆動法がある。最近,深層学習法は,特徴表現と解析に対してその驚くべき能力を示している。畳み込みニューラルネットワーク(CNN)は,顔認識と理解に関して大きな性能を示し,顔特徴探索のための有効な方法として証明されている。最近,より良い表現性能のために調査された効率的な構造を有するよく設計されたネットワークがある。しかし,これらの設計は有効ブロックに集中しているが,効率的な情報伝送経路を構築せず,特徴表現のための準最適容量をもたらした。さらに,これらの研究は特徴マップの固有相関を見つけることができず,その性能も制限する。本論文では,FBP問題のための精巧なネットワーク設計を,より良い性能のために提案する。残留残差(RIR)構造を,勾配流をより深く通過するネットワークに導入し,情報伝送のためのより良い経路を構築する。RIR構造を適用することによって,より深いネットワークをより良い特徴表現のために確立することができた。RIRネットワーク設計の他に,特徴間の内部相関を利用するための注意機構を導入した。顔情報のためのより良い表現を見つける特徴間の重要性を分配するために,結合空間ワイズおよびチャネルワイズ注意(SCA)ブロックを調査した。実験結果は,提案ネットワークが最先端技術よりも人間評価に近い顔美しさを予測できることを示した。Copyright 2021 The Author(s) All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： *ネットワーク ,  残差
準シソーラス用語： ネットワーク設計 ,  情報伝送 ,  特徴表現 ,  *深層学習 ,  畳込みニューラルネットワーク , 【Automatic Indexing@JST】

著者キーワード (3件)： 深層学習 ,  顔のビューティ予測 ,  畳込みニューラルネットワーク

分類 (2件)： パターン認識  (JE07000S) ,  図形・画像処理一般  (JE04010I)

引用文献 (44件)：

• Gan, J.; Jiang, K.; Tan, H.; He, G. Facial Beauty Prediction Based on Lighted Deep Convolution Neural Network with Feature Extraction Strengthened. Chin. J. Electron. 2020, 29, 312-321.
• Gan, J.; Zhai, Y.; Wang, B. Unconstrained Facial Beauty Prediction Based on Multi-scale K-Means. Chin. J. Electron. 2017, 26, 548-556.
• Gunes, H.; Piccardi, M.; Jan, T. Comparative beauty classification for pre-surgery planning. In Proceedings of the 2004 IEEE International Conference on Systems, Man and Cybernetics, The Hague, The Netherlands, 10-13 October 2004; Volume 3, pp. 2168-2174.
• Wassermann, S.; Seufert, M.; Casas, P.; Gang, L.; Li, K. Let me Decrypt your Beauty: Real-time Prediction of Video Resolution and Bitrate for Encrypted Video Streaming. In Proceedings of the 2019 Network Traffic Measurement and Analysis Conference (TMA), Paris, France, 19-21 June 2019; pp. 199-200.
• Workman, S.; Souvenir, R.; Jacobs, N. Understanding and Mapping Natural Beauty. In Proceedings of the 2017 IEEE International Conference on Computer Vision (ICCV), Venice, Italy, 22-29 October 2017; pp. 5590-5599.

タイトルに関連する用語 (3件)： 顔 ,  予測 ,  深層学習