文献

J-GLOBAL ID：202202262953312122   整理番号：22A0925159

動的ロバスト損失とアンサンブル回帰による深層学習に基づく顔のビューティ予測【JST・京大機械翻訳】

Deep learning based face beauty prediction via dynamic robust losses and ensemble regression

著者 (5件)： Bougourzi F. (Institute of Applied Sciences and Intelligent Systems, National Research Council of Italy, 73100 Lecce, Italy) ,  Dornaika F. (School of Computer and Information Engineering, Henan University, Kaifeng, China) ,  Dornaika F. (University of the Basque Country UPV/EHU, San Sebastian, Spain) ,  Dornaika F. (IKERBASQUE, Basque Foundation for Science, Bilbao, Spain) ,  Taleb-Ahmed A. (Univ. Polytechnique Hauts-de-France, Univ. Lille, CNRS, Centrale Lille, UMR 8520 - IEMN, F-59313 Valenciennes, France)
資料名： Knowledge-Based Systems  (Knowledge-Based Systems)
巻： 242  ページ： Null  発行年： 2022年 
JST資料番号： T0426A  ISSN： 0950-7051  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： 過去10年間,いくつかの研究は,顔魅力が機械によって学習できることを示した。本論文では,静的画像から顔Beauty予測に取り組んだ。本論文は3つの主な貢献を含む。最初に,FBP問題に関連した複雑な高レベル特徴を扱うために,2つの既に訓練されたネットワークのアーキテクチャを併合することに基づく2分岐アーキテクチャ(REX-INCEP)を提案した。第2に,訓練中の次のロバスト損失関数の挙動を制御する動的法則の使用:ParamSmoothL1,HuberおよびHubbardを導入した。第三に,畳込みニューラルネットワーク(CNN)に基づくアンサンブル回帰を提案した。このアンサンブルでは,基本ネットワークと提案ネットワーク(REX-INCEP)の両方を用いた。提案した個々のCNN回帰器を,異なる損失関数,すなわち,MSE,動的ParamSmoothL1,動的Huberおよび動的Hubbardによって訓練した。本アプローチを,データベース創造者によって提供された2つの評価シナリオ(60%-40%分割と5倍交差検証)を用いて,SCUT-FBP5500データベース上で評価した。両評価シナリオにおいて,本手法はいくつかの計量に関する最先端技術よりも性能が優れていた。これらの比較はFBPに対する提案した解決策の有効性を強調する。また,提案した動的ロバスト損失は,より柔軟で正確な推定器に導くことを示した。Copyright 2022 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 損失関数 ,  データベース ,  ネットワーク ,  ニューラルネットワーク ,  分割 ,  有効性 ,  計算機アーキテクチャ ,  *ロバスト性 ,  *機械学習
準シソーラス用語： 最先端技術 ,  *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 (5件)： 顔のビューティ予測 ,  畳込みニューラルネットワーク ,  深層学習 ,  アンサンブル回帰 ,  ロバストな損失関数

分類 (1件)： 人工知能  (JE08000Z)

タイトルに関連する用語 (7件)： ロバスト ,  損失 ,  アンサンブル ,  深層学習 ,  顔 ,  ビューティ ,  予測