ترجمه فارسی مقاله تقسیم بندی چین و چروک صورت برای درماتولوژی زیبایی: پیش تمرین با نظارت ضعیف مبتنی بر نقشه بافت

چکیده

Facial wrinkle detection plays a crucial role in cosmetic dermatology. Precise manual segmentation of facial wrinkles is challenging and time-consuming, with inherent subjectivity leading to inconsistent results among graders. To address this issue, we propose two solutions. First, we build and release the first public facial wrinkle dataset, ‘FFHQ-Wrinkle’, an extension of the NVIDIA FFHQ dataset. It includes 1,000 images with human labels and 50,000 images with automatically generated weak labels. This dataset could serve as a foundation for the research community to develop advanced wrinkle detection algorithms. Second, we introduce a simple training strategy utilizing texture maps, applicable to various segmentation models, to detect wrinkles across the face. Our two-stage training strategy first pretrain models on a large dataset with weak labels (N=50k), or masked texture maps generated through computer vision techniques, without human intervention. We then finetune the models using human-labeled data (N=1k), which consists of manually labeled wrinkle masks. The network takes as input a combination of RGB and masked texture map of the image, comprising four channels, in finetuning. We effectively combine labels from multiple annotators to minimize subjectivity in manual labeling. Our strategies demonstrate improved segmentation performance in facial wrinkle segmentation both quantitatively and visually compared to existing pretraining methods. The dataset is available at https://github.com/labhai/ffhq-wrinkle-dataset.

چکیده به فارسی (ترجمه ماشینی)

تشخیص چین و چروک صورت نقش مهمی در پوست آرایشی دارد.تقسیم دقیق دستی چین و چروک های صورت چالش برانگیز و وقت گیر است و ذهنیت ذاتی منجر به نتایج متناقض در بین دانش آموزان می شود.برای پرداختن به این مسئله ، ما دو راه حل پیشنهاد می کنیم.اول ، ما اولین مجموعه داده های چروک صورت عمومی ، “FFHQ-Wrinkle” را می سازیم و منتشر می کنیم ، پسوند مجموعه داده NVIDIA FFHQ.این شامل 1000 تصویر با برچسب های انسانی و 50،000 تصویر با برچسب های ضعیف به طور خودکار است.این مجموعه داده می تواند به عنوان پایه ای برای جامعه تحقیقاتی برای توسعه الگوریتم های پیشرفته تشخیص چین و چروک باشد.دوم ، ما یک استراتژی آموزشی ساده را با استفاده از نقشه های بافت ، قابل استفاده در مدل های مختلف تقسیم بندی ، برای شناسایی چین و چروک ها در چهره معرفی می کنیم.استراتژی آموزش دو مرحله ای ما برای اولین بار مدل های Pretrain در یک مجموعه داده بزرگ با برچسب های ضعیف (N = 50K) یا نقشه های بافت نقاب شده از طریق تکنیک های دید رایانه ، بدون مداخله انسانی.ما سپس مدلها را با استفاده از داده های دارای برچسب انسانی (n = 1k) ، که از ماسک های چروک با برچسب دستی تشکیل شده است ، استفاده می کنیم.این شبکه به عنوان ترکیبی از RGB و نقشه بافت نقاب شده تصویر ، شامل چهار کانال ، در FinetUning وارد می شود.ما به طور موثری برچسب ها را از چندین حاشیه نویسی ترکیب می کنیم تا ذهنیت را در برچسب زدن دستی به حداقل برسانیم.استراتژی های ما عملکرد تقسیم بندی بهبود یافته در تقسیم چروک صورت را هم از نظر کمی و هم بصری در مقایسه با روش های پیش تنظیم موجود نشان می دهد.مجموعه داده در https://github.com/labhai/ffhq-wrinkle-dataset در دسترس است.