顔認識の未来について語ろう！ (CVPR 2018 完全読破チャレンジ報告会)
•
2 likes•417 views
CVPR 2018 完全読破チャレンジ報告会 cvpaper.challenge 勉強会@Wantedly白金台オフィス cvpaper.challenge はコンピュータビジョン分野の今を映し、創り出す挑戦です。論文読破・まとめ・アイディア考案・議論・実装・論文執筆（・社会実装）に至るまで広く取り組み、あらゆる知識を共有しています。 http://hirokatsukataoka.net/project/cc/index_cvpaperchallenge.html
Recommended
Recommended
More Related Content
Recently uploaded
Recently uploaded (14)
Featured
Featured (20)
顔認識の未来について語ろう！ (CVPR 2018 完全読破チャレンジ報告会)
- 2. 本発表の流れ 2 ・⾃⼰紹介 ・face recognitionについて - face recognitionの概要 - face recognition @ CVPR2018 ・CVPR2018論⽂紹介 - face recognition論⽂紹介 - face recognitionの知識を応⽤した論⽂
- 3. ⾃⼰紹介 3 井上和樹 早稲⽥⼤学森島研究室 修⼠1年⽣ ・今年度よりcvpaper.challengeに参加 ・ECCVW “Understanding Fake Face” https://arxiv.org/abs/1809.08391 ・“face”論⽂48/76本読破@CVPR2018 （全体では121本読破） ・今回は”顔認識・face recognition”について紹介
- 5. face recognition @ CVPR 2018 5 ”face recognition” / “face” 論⽂ CVPR 2018：7 / 48 本 CVPR 2017：6 / 28 本 CVPR 2016：4 / 27 本 CVPR 2015：6 / 25 本 CVPR 2014：2 / 20 本 コンスタントに論⽂が発表されている分野
- 6. face recognition @ CVPR 2018 6 任意の顔向き画像に対する認識精度を向上 ・Pose-Robust Face Recognition via Deep Residual Equivariant Mapping ・Towards Pose Invariant Face Recognition in the Wild 顔画像パッチに対して顔認識精度を向上 ・Dynamic Feature Learning for Partial Face Recognition 3D顔データの拡張 ・Learning from Millions of 3D Scans for Large-scale 3D Face Recognition ロス関数の提案 ・Ring loss: Convex Feature Normalization for Face Recognition ・CosFace: Large Margin Cosine Loss for Deep Face Recognition (UVテクスチャの補間 ・UV-GAN: Adversarial Facial UV Map Completion for Pose-invariant Face Recognition)
- 7. face recognition @ CVPR 2018 7 Pose-Robust Face Recognition via Deep Residual Equivariant Mapping 正⾯顔と横顔のマッピングを学習 ・横顔に対する認識精度の低さに着⽬ ・横顔-正⾯顔のマッピングを学習 上段：他⼈物のミスマッチ 下段：同⼀⼈物の認識失敗例
- 8. face recognition @ CVPR 2018 8 Pose-Robust Face Recognition via Deep Residual Equivariant Mapping 正⾯顔と横顔のマッピングを学習
- 9. face recognition @ CVPR 2018 9 Towards Pose Invariant Face Recognition in the Wild 任意の顔向き画像から正⾯顔画像を⽣成し顔認識 1,6列:⼊⼒画像 2,5列:⽣成画像 3,4列:特徴量表現 ・2つのGANを⽤いて正⾯顔画像を⽣成 ・認識精度、⽣成画像についてコントリビューション
- 10. face recognition @ CVPR 2018 10 Towards Pose Invariant Face Recognition in the Wild 任意の顔向き画像から正⾯顔画像を⽣成し顔認識
- 11. face recognition @ CVPR 2018 11 Dynamic Feature Learning for Partial Face Recognition 顔画像パッチに対して顔認識精度を向上 ・FCNによって得られた特徴量マップを比較 ・FCNを用いることで、高精度化と高速化を実現
- 12. face recognition @ CVPR 2018 12 Learning from Millions of 3D Scans for Large- scale 3D Face Recognition 3Dスキャンデータの拡張・精度向上 ・3Dスキャンデータの少なさに着⽬ ・データ拡張とともに認識精度も向上
- 13. face recognition @ CVPR 2018 13 Learning from Millions of 3D Scans for Large- scale 3D Face Recognition 3D顔データの拡張・精度向上 商⽤ソフトを⽤いて1)似ている組、2)似ていない組を合成
- 14. face recognition @ CVPR 2018 14 Ring loss: Convex Feature Normalization for Face Recognition 識別タスクに有効なロス関数を提案 ・問題設定：Softmaxロスでは原点近くの表現が曖昧 ・解決⽅法：特徴量を超球⾯上にマッピング
- 15. face recognition @ CVPR 2018 15 CosFace: Large Margin Cosine Loss for Deep Face Recognition 識別タスクに有効なロス関数を提案 ・問題設定：Softmaxロスではcosinenお表現が曖昧 ・解決⽅法：Softmaxロスに対してマージンを設定
- 16. face recognitionの知識を応用 16 ・CVPR2018では“顔認識”で重要視されてきた ”個⼈性”を考慮する顔研究が多く⾒られた！ ex)”Preserving the identity while synthesising faces is the most critical part” (Deng J et al. より) ・使える情報はなんでも使ってしまえ、という マルチタスクの⽂脈？ ・face recognitionで提案された ネットワーク・ロス関数が他のタスクで使⽤
- 17. 17 UV-GAN: Adversarial Facial UV Map Completion for Pose-invariant Face Recognition ⼊⼒画像からUVテクスチャの⾃動⽣成 ・U-NetによりUVマップを補完 ・Identity Centre Lossを導入 face recognitionの知識を応用
- 18. 18 Unsupervised Training for 3D Morphable Model Regression 教師なし3Dモーファブルモデル推定 ・2つのauto encoder，4種類のロス関数を導入 ・encoderとしてFaceNetを使用 face recognitionの知識を応用
- 19. 19 FaceID-GAN: Learning a Symmetry Three-Player GAN for Identity-Preserving Face Synthesis G vs D, Classifier 構図のGANを提案 ・Classifierにもreal / synthesizedを判定 ・IdentityをGANの枠組みに導入 face recognitionの知識を応用
- 20. まとめ 20 face recogntionの今後の展望 ・face recognitionの精度向上 横顔 to {正⾯、横顔}、in-the-wild ・顔研究における要素の⼀部として活躍 - 顔タスクに汎⽤的な特徴量、ロス関数 - 顔認識がなぜ汎⽤的に効果があるのか？ ・既存データセットの拡張 - 個⼈性の扱い⽅が権利的に難しい - 画像：GANによる⾼品質かつ多様な画像⽣成 - 3D：既存データのブレンディング