Synthetic Data in Human Analysis: A Survey

要約

ディープ ニューラル ネットワークは人間の分析で普及しており、生体認証、行動認識、人物の再識別などのアプリケーションのパフォーマンスを向上させています。
ただし、このようなネットワークのパフォーマンスは、利用可能なトレーニング データに応じて変化します。
人間の分析では、大規模なデータセットの需要は深刻な課題をもたらします。データ収集は面倒で、時間と費用がかかり、データ保護法に準拠する必要があるからです。
現在の研究では、現場で実際のデータを収集するための効率的でプライバシーを確​​保する代替手段として、\textit{synthetic data} の生成が調査されています。
この調査では、人間による分析のために合成データを生成および使用する際に不可欠な、基本的な定義と方法論を紹介します。
現在の最先端の方法と合成データを使用する主な利点をまとめた調査を実施します。
また、公開されている合成データセットと生成モデルの概要も提供します。
最後に、この分野における未解決の研究課題だけでなく、限界についても議論します。
この調査は、人間分析の分野の研究者および実務家を対象としています。

要約(オリジナル)

Deep neural networks have become prevalent in human analysis, boosting the performance of applications, such as biometric recognition, action recognition, as well as person re-identification. However, the performance of such networks scales with the available training data. In human analysis, the demand for large-scale datasets poses a severe challenge, as data collection is tedious, time-expensive, costly and must comply with data protection laws. Current research investigates the generation of \textit{synthetic data} as an efficient and privacy-ensuring alternative to collecting real data in the field. This survey introduces the basic definitions and methodologies, essential when generating and employing synthetic data for human analysis. We conduct a survey that summarises current state-of-the-art methods and the main benefits of using synthetic data. We also provide an overview of publicly available synthetic datasets and generation models. Finally, we discuss limitations, as well as open research problems in this field. This survey is intended for researchers and practitioners in the field of human analysis.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google