Unsupervised Face Recognition using Unlabeled Synthetic Data

要約

過去数年間、顔認識における主な研究革新は、マルチクラス分類損失のバリエーションを使用して、大規模な ID ラベル付きデータセットでディープ ニューラル ネットワークをトレーニングすることに焦点を当てていました。
ただし、これらのデータセットの多くは、プライバシーと倫理上の懸念が高まるため、作成者によって撤回されています。
ごく最近、プライバシー規制に準拠し、顔認識研究の継続性を確保するために、プライバシーに配慮した認証データの代替として、プライバシーに配慮した合成データが提案されました。
この論文では、ラベル付けされていない合成データ (USynthFace) に基づく教師なし顔認識モデルを提案します。
私たちが提案する USynthFace は、同じ合成インスタンスの 2 つの拡張画像間の類似性を最大化することを学習します。
これは、USynthFace モデルのトレーニングに貢献する GAN ベースの増強に加えて、幾何学的および色の変換の大規模なセットによって可能になります。
また、USynthFace のさまざまなコンポーネントについて多数の実証研究を行っています。
提案された拡張操作のセットを使用して、ラベルのない合成データを使用して比較的高い認識精度を達成する上で、USynthFace の有効性を証明しました。

要約(オリジナル)

Over the past years, the main research innovations in face recognition focused on training deep neural networks on large-scale identity-labeled datasets using variations of multi-class classification losses. However, many of these datasets are retreated by their creators due to increased privacy and ethical concerns. Very recently, privacy-friendly synthetic data has been proposed as an alternative to privacy-sensitive authentic data to comply with privacy regulations and to ensure the continuity of face recognition research. In this paper, we propose an unsupervised face recognition model based on unlabeled synthetic data (USynthFace). Our proposed USynthFace learns to maximize the similarity between two augmented images of the same synthetic instance. We enable this by a large set of geometric and color transformations in addition to GAN-based augmentation that contributes to the USynthFace model training. We also conduct numerous empirical studies on different components of our USynthFace. With the proposed set of augmentation operations, we proved the effectiveness of our USynthFace in achieving relatively high recognition accuracies using unlabeled synthetic data.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google