抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
深層学習ベースの特徴抽出方法と移動学習はパターン認識の分野で一般的アプローチになった。三重ベース損失関数を用いて訓練された深層畳込みニューラルネットワークは顔埋込みの生成を可能にし,顔検証とクラスタリングに直接応用できる。顔同一性のグランドトルースに関する知識は,最終的分類アルゴリズムの有効性を改善するかもしれない。しかし,教師なし手法を用いて以前に発見されたグランドトルースクラスタを用いることも可能である。本論文の目的は,グランドトルース知識の有無で訓練された最先端の教師つき分類法の分類結果の潜在的改善を評価することである。本研究では,異なる解像度,視覚品質,および顔姿勢を持つ,野生画像において200,000以上のものを含む2つの十分に大きなデータセットを用いて,著者らの意見において,結果の統計的有意性を保証した。いくつかのクラスタリングと教師つきパターン認識アルゴリズムを調べ,グランドトルースに関する知識が分類アルゴリズムのFowlkesMalsスコア(FMS)に非常に小さい影響を持つことを見出した。著者らの実験で最高の精度を得た分類アルゴリズムの場合,FMSは最初のデータセットで5.3%(0.749から0.791),第二データセットで6.6%(0.652から0.718)だけ改善された。結果は,顔検証がキーコンポーネントである高度に安全なシステムの他に,教師なし手法によって発見された顔アイデンティティを,教師付き分類器の訓練のために安全に使用できることを示した。また,教師なしクラスタリングのSilhouette係数(SC)は,調整Rand Index,V測度スコア,およびFowlkesMalsスコアと正相関し,顔アイデンティティのグランドトルースが知られていないとき,クラスタリング性能の指標としてSCを使用できることを見出した。これらの結論の全ては,大規模顔検証問題の重要な発見である。この理由は,教師付き訓練前の人々の同一性の検証をスキップすることが多くの時間と資源を節約するという事実である。Copyright 2021 The Author(s) All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】