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。
理想的な条件下での顔認識は,現在,深い学習の進歩を伴うよく解決された問題であると考えられている。しかし,オクルージョン下の顔の認識は,まだ課題のままである。既存の技術は,マスクで覆われた口と鼻の両方を有する顔を認識するのに失敗し,現在,COVID-19パンデミックの下で非常に一般的である。この問題に取り組むための共通のアプローチは,1)認識中のマスクされた領域からの情報を取り除き,2)認識前にマスクされた領域を復元することである。マスクされた顔から抽出され,マスクフリーの対応物から抽出される特徴間の一貫性を考慮した研究はほとんどない。これはマスクフリー顔で劣化性能を示すマスクされた顔を認識するために訓練されたモデルをもたらした。本論文では,マスクフリー顔とマスクフリー顔の両方を認識するために,Face Feature Recification Network(FFR-Net)と名付けた統一フレームワークを提案した。修正特徴空間においてマスクされた顔とそのマスクフリーの対応物間の距離を最小化するために,空間とチャネル次元の両方で,最先端の認識モデルによって抽出された特徴を修正するために,整流ブロックを導入した。実験により,この統一フレームワークは,マスク無し顔とマスクフリー顔の両方を効果的に認識するための修正特徴空間を学習でき,最先端の結果を達成することを示した。プロジェクトコード:https://github.com/haoosz/FFR Net;【JST・京大機械翻訳】