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。
本論文では,顔構文解析における既存の最先端手法によって生成された典型的な故障事例(例えば,空間不整合および境界混乱)の背後にある固有因子を調べた。これらの問題に取り組むために,顔構文解析用の周期的自己調整(DML-CSR)による新しいDe結合マルチタスク学習を提案した。特に,DML-CSRは,顔構文解析,二値エッジ,およびカテゴリエッジ検出から成るマルチタスクモデルを設計する。これらのタスクは,互いに高レベルの相互作用なしに低レベル符号器重みを共有し,推論段階で全ネットワークから補助モジュールを分離できる。空間不整合に対処するために,余分なプール操作を使用せずに大域的文脈情報を捉えるために動的二重グラフ畳込みネットワークを開発した。単一および多重顔シナリオの両者における境界混乱を処理するために,著者らは,人間顔の一般的な幾何学的構造および細粒意味的手がかりを共同的に得るために,二値およびカテゴリエッジ検出を利用した。さらに,訓練中のモデル一般化の劣化から雑音のあるラベルを防ぐため,周期的自己調節を,新しいモデルを得るために,いくつかのモデルインスタンスを自己アンサンブルするために提案して,次に,交互反復を通して,自己蒸留後モデルに対して,それを用いたモデルを使用した。実験は,著者らの方法がHelen,CelebAMask-HQ,およびLapaデータセットで新しい最先端の性能を達成することを示した。ソースコードはhttps://github.com/deepinsight/insightface/tree/master/parsing/dml_csrで利用可能である。【JST・京大機械翻訳】