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。
教師なしまたは統計的ベースの顔画像品質評価(FIQA)法に対する説明可能性を引き出すことは挑戦的である。本研究では,異なるFIQA決定とそれらの顔認識(FR)性能の意味に対する推論を導くための説明可能なツールの新しい集合を提案した。異なるFIQA決定でサンプルを処理するとき,FRモデルの挙動に関する著者らの解析に基づく特定のFIQA方法への著者らのツールの展開を制限することを避ける。これは,顔埋込みから導出されたネットワークの活性化を示すための活性化マッピングを用いて,任意のCNNベースのFR解による任意のFIQA法に適用できる説明可能なツールを導く。FRモデルにおける低品質および高品質画像の一般空間活性化マッピング間の低い識別を避けるため,異なる品質決定による画像集合のFR活性化マップの変化を解析することにより,より高い導関数空間における説明可能ツールを構築した。このツールを実証し,FIQA法分析の提示により,4つのFIQA法に関する知見を分析した。著者らの提案ツールとそれらに基づく解析は,他の結論の中で,高品質画像が中心顔領域の外の領域で一貫した低い活性化を引き起こすが,一般的な低い活性化にもかかわらず,低品質画像はそのような領域における活性化の高い変動を有する。また,著者らの説明可能性ツールは,低品質画像がFRモデル空間活性化を持つ傾向がある単一画像の解析にも拡張し,この差異が中心顔領域の外の領域でより多く現れる傾向があり,極端な姿勢と顔のオクルージョンのような問題に対応することを示した。提案したツールの実装は,約1.1https://github.com/fbiying87/Explainable_FIQA_WITH_AMVAにアクセスできる。Copyright 2022 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】