ترجمه مقاله آموزش متعادل در سطح کلاس برای تشخیص چهره عمیق - نشریه IEEE

ترجمه مقاله آموزش متعادل در سطح کلاس برای تشخیص چهره عمیق - نشریه IEEE
قیمت خرید این محصول
۵۸,۰۰۰ تومان
دانلود مقاله انگلیسی
عنوان فارسی
آموزش متعادل در سطح کلاس برای تشخیص چهره عمیق
عنوان انگلیسی
Class-Balanced Training for Deep Face Recognition
صفحات مقاله فارسی
24
صفحات مقاله انگلیسی
10
سال انتشار
2020
رفرنس
دارای رفرنس در داخل متن و انتهای مقاله
نشریه
آی تریپل ای - IEEE
فرمت مقاله انگلیسی
pdf و ورد تایپ شده با قابلیت ویرایش
فرمت ترجمه مقاله
pdf و ورد تایپ شده با قابلیت ویرایش
فونت ترجمه مقاله
بی نازنین
سایز ترجمه مقاله
14
نوع مقاله
ISI
نوع ارائه مقاله
ژورنال
ایمپکت فاکتور(IF) مجله
6.029 در سال 2020
شاخص H_index مجله
70 در سال 2021
شاخص SJR مجله
1.785 در سال 2020
شناسه ISSN مجله
2160-7508
کد محصول
11642
وضعیت ترجمه عناوین تصاویر و جداول
ترجمه شده است ✓
وضعیت ترجمه متون داخل تصاویر و جداول
ترجمه شده است ✓
وضعیت ترجمه منابع داخل متن
به صورت عدد درج شده است ✓
وضعیت فرمولها و محاسبات در فایل ترجمه
به صورت عکس، درج شده است
ضمیمه
ندارد ☓
بیس
نیست ☓
مدل مفهومی
ندارد ☓
پرسشنامه
ندارد ☓
متغیر
ندارد ☓
رفرنس در ترجمه
در انتهای مقاله درج شده است
رشته و گرایش های مرتبط با این مقاله
مهندسی کامپیوتر، هوش مصنوعی
کنفرانس
کنفرانس کارگاه های آموزشی بینایی و الگوهای رایانه ای - Conference on Computer Vision and Pattern Recognition Workshops
دانشگاه
دانشگاه پست و ارتباطات از راه دور پکن
doi یا شناسه دیجیتال
https://doi.org/10.1109/CVPRW50498.2020.00420
فهرست مطالب
چکیده
1. مقدمه
2. کارهای مرتبط
3. چگونه تعادل کلاس به آموزش کمک می کند؟
3.1. راه اندازی آزمایش
3.2. صحت تشخیص چهره
3.3. سوگیری در تشخیص
3.4. انتخاب کلاس
4. BUPT-CBFace: آموزش متعادل در سطح کلاس
4.1. تعادل بین عرض و عمق
4.2. نتایج ارزیابی
4.3. تحلیل و بحث
5. نتیجه گیری
تصاویر فایل ورد ترجمه مقاله (جهت بزرگنمایی روی عکس کلیک نمایید)
11642 IranArze     11642 IranArze1     11642 IranArze2
نمونه چکیده متن اصلی انگلیسی
Abstract

The performance of deep face recognition depends heavily on the training data. Recently, larger and larger datasets have been developed for the training of deep models. However, most face recognition training sets suffer from the class imbalance problem, and most studies ignore the benefit of optimizing dataset structures. In this paper, we study how class-balanced training can promote face recognition performance. A medium-scale face recognition training set BUPT-CBFace is built by exploring the optimal data structure from massive data. This publicly available dataset is characterized by the uniformly distributed sample size per class, as well as the balance between the number of classes and the number of samples in one class. Experimental results show that deep models trained with BUPTCBFace can not only achieve comparable results to largerscale datasets such as MS-Celeb-1M but also alleviate the problem of recognition bias.

1. Introduction

In recent years, face recognition technology is becoming more mature and applicable. A lot of public face recognition training sets [5, 13, 31, 33, 46] are developed to meet the needs of training deep models. The recognition performance on public benchmarks such as LFW [18] are also becoming saturated. However, the class imbalance problem [2, 3, 14, 15, 20] remains a bottleneck in the field of deep face recognition, which means, the number of samples in majority classes is much more than that in minority classes in the training sets. The imbalanced data distribution is characterized by the long tail distribution [28, 51]: a few classes have many face images as the “head” data, and most classes have fewer face images as a long “tail”.

5. Conclusion

In this paper, we study the impact of class balance and data structures on deep face recognition. A class-balanced face recognition training set BUPT-CBFace is built by carefully adjusting data shapes and classes. BUPT-CBFace has a significant recognition performance and fairness improvement compared to long-tailed datasets of the same scale. Moreover, BUPT-CBFace can be easily trained on a single NVIDIA GTX 1080Ti GPU to achieve the same level results as large-scale parallel training, which is very friendly to many institutes. BUPT-CBFace is publicly available as an alternative option to the existing long-tailed datasets.

نمونه چکیده ترجمه متن فارسی
چکیده

عملکرد تشخیص چهره عمیق به داده های آموزشی بستگی دارد. اخیراً، مجموعه داده های بزرگتر و بزرگتری برای آموزش مدلهای عمیق توسعه یافته است. با این حال، اکثر مجموعه های آموزشی تشخیص چهره از مسئله عدم تعادل کلاس رنج می برند، و اکثر مطالعات منفعت بهینه سازی ساختارهای مجموعه داده را نادیده می گیرند. در این مقاله، به بررسی این مسئله می پردازیم که چگونه آموزش متعادل در سطح کلاس، می تواند عملکرد تشخیص چهره را ارتقاء بخشد. برای این منظور یک مجموعه آموزشی تشخیص چهره در مقیاس متوسط به نام BUPT-CBFace با کشف ساختار بهینه داده از داده های انبوه، ساخته شده است. این مجموعه داده عمومی با اندازه نمونه یکنواخت توزیع شده در هر کلاس و همچنین تعادل بین تعداد کلاس ها و نمونه ها در یک کلاس توصیف شده است. نتایج آزمایش نشان می دهد که مدلهای عمیق آموزش دیده با BUPT-CBFace نه تنها به نتایجی قابل قیاس با مجموعه داده های بزرگتر نظیر MS-Celeb-1M دست یافته، بلکه همچنین، مسئله سوگیری تشخیص را کاهش می دهند.

1. مقدمه

در سالهای اخیر، فناوری تشخیص چهره بالغ تر و کاربردی تر شده است. مجموعه های آموزشی تشخیص چهره عمومی زیادی [5, 13, 31, 33, 46] برای تامین نیازهای مدلهای عمیق آموزشی توسعه یافته است. عملکرد تشخیص برروی محک های عمومی نظیر LFW [18]، نیز بالغ شده و تکامل یافته است. با این حال، در فیلد تشخیص چهره عمیق، مسئله عدم تعادل کلاس  [2, 3, 14, 15, 20]  به صورت یک تنگنا باقی می ماند، یعنی تعداد نمونه ها در کلاس های اکثریت بیشتر از کلاس های اقلیت مجموعه های آموزشی است. توزیع نامتعادل داده ها با توزیع دم دراز(بلند) توصیف شده است [28، 51]: تعداد معدودی از کلاس ها دارای تصاویرزیادی از چهره نظیر داده های سر هستند و اکثر کلاس ها دارای تصاویر معدودی از چهره نظیر دم دراز (کشیده) هستند.

5. نتیجه گیری

در این مقاله به بررسی تاثیر تعادل کلاس و ساختارهای داده بر تشخیص چهره عمیق می پردازیم. مجموعه آموزشی تشخیص چهره متعادل در سطح کلاس BUPT-CBFace با تنظیم دقیق اشکال و کلاس های داده ساخته شده است. BUPT-CBFace از عملکرد چشمگیری در زمینه تشخیص برخوردار بوده و در مقایسه با مجموعه داده های دم دراز با مقیاس مشابه، تساوی و برابری را بهبود می بخشد. علاوه براین، برای رسیدن به نتایجی هم سطح با آموزش موازی بزرگ مقیاس که برای بسیاری از موسسات بسیار دوستانه است، BUPT-CBFace به راحتی برروی   آموزش می بیند. BUPT-CBFace به عنوان انتخابی جایگزین برای مجموعه داده های دم دراز موجود، برای عموم قابل دسترسی است.


بدون دیدگاه