联合身份验证的深度学习人脸表示
本篇论文提出使用 DeepID3 算法来进行人脸识别,使用了卷积神经网络和 Inception 层,并采用监督信号技术来训练神经网络,最终取得了 99.53% 的 LFW 人脸验证准确率和 96.0% 的 LFW 排名 1 的人脸识别准确率。
Feb, 2015
本文设计了一个高性能的深度卷积网络(DeepID2+)用于人脸识别,经实验证明它在 LFW 和 YouTube Faces 的基准测试中达到了最新的最优效果,并通过了控制神经激活的稀疏性、选择性和鲁棒性研究证明了其高性能的三个关键属性。
Dec, 2014
本文提出了一种基于深度卷积特征的无限制人脸验证算法,并在 IARPA Janus 基准数据集上进行了评估。实验结果表明该算法在包含 500 个受试者的真实世界无约束面部图像上具有很好的性能。
Aug, 2015
本文提出了一种基于 CNN 和度量学习的两阶段方法,以实现面部验证和识别。实验表明,该方法优于其他最先进的方法,获得 99.77% 的成对验证准确度,并在其他两个更实用的协议下获得更好的准确度。本文也讨论了数据大小和补丁数量的重要性,展示了通往实际高性能面部识别系统的明确途径。
Jun, 2015
本文提出了一种使用深卷积神经网络和 3D 数据扩增技术的新型 3D 人脸识别算法,表明 2D 人脸图像 CNN 训练的迁移学习可以有效用于 3D 人脸识别,同时采用一种 3D 人脸扫描的数据扩增技术,可以改进 3D 人脸识别的性能。
Mar, 2017
通过利用自动编码器将面部图像向量转化为新的表示,本研究提出一种缩小有标签训练数据差距的方法,从而在无监督的人脸验证技术方面取得了 56%的 EER 相对改进,成功缩小了余弦和 PLDA 评分系统之间的性能差距。
Dec, 2023
本篇研究论文介绍了一种深度学习系统,基于卷积神经网络,包括面部检测、定位、对齐和验证模块等,用于非约束性人脸识别。研究使用 IARPA Janus 基准数据集 A, JANUS 挑战集 2 和 LFW 数据集进行了数量化的性能评估,并讨论了 DCNN 面部验证问题的一些开放性问题。
May, 2016
本研究使用深度卷积网络联合学习面部图像超分辨率重构和人脸识别任务,设计了一个端到端的深度卷积网络,其中重构子网络与识别子网络级联,后者使用散发器作为输入,优化两个损失项进行训练,并在 LFW 和 YTF 数据集上进行了广泛的评估。实验结果表明,相比传统的人脸识别模型,本方法在 4 倍下采样的 LFW 测试集上可以实现 97.95%的识别准确率,并在更具挑战性的 YTF 数据集上实现了 90.65%的识别准确率。
Nov, 2016