非教師付き顔認識を用いたラベルのない合成データの活用

近年、顔認識における主要な研究革新は、多クラス分類損失の変種を使用して大規模なアイデンティティラベル付きデータセットで深層ニューラルネットワークを訓練することに焦点を当ててきました。しかし、これらのデータセットの多くは、プライバシーと倫理的な懸念が増加したため、作成者によって撤回されています。最近では、プライバシーに配慮した合成データが提唱され、プライバシー規制への適合と顔認識研究の継続性を確保するための代替手段として注目を集めています。本論文では、ラベルなしの合成データ（USynthFace）に基づく非監督型顔認識モデルを提案します。我々が提案する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ように学習します。これには、多数の幾何学的および色変換に加えて、GANベースの拡張が含まれており、USynthFaceモデルの訓練に貢献しています。また、我々はUSynthFaceの異なる構成要素について多くの経験的研究を行いました。提案された拡張操作の一式により、ラベルなしの合成データを使用して比較的高度な認識精度を達成できるUSynthFaceの有効性を証明しました。