人脸识别的 Web 规模训练

Jun, 2014

Web-Scale Training for Face Identification

Yaniv Taigman, Ming Yang, Marc'Aurelio Ranzato, Lior Wolf

TL;DR本文研究了深度卷积网络在人脸识别中的性能，发现网络的 “瓶颈” 结构对于迁移学习具有重要作用，并提出了一种解决方法，即用自助法取代随机子采样；同时还发现了表示范数和目标域判别能力之间的联系，并基于这些发现，在目前最流行的人脸识别数据集 LFW 上取得了优秀的性能，甚至超越了商用系统。

Abstract

Scaling machine learning methods to very large datasets has attracted considerable attention in recent years, thanks to easy access to ubiquitous sensing and data from the web. We study face recognition and show

machine learning face recognition deep convolutional networks transfer learning bootstrapping

发现论文，激发创造

从零开始学习面部表征

该研究提出了一种半自动方式从互联网收集人脸图像并构建了一个包含大约 10000 个主体和 500000 个图像的大规模数据集，命名为 CASIAWebFace，使用该数据库，我们使用一个 11 层 CNN 学习区分性表示并获得在 LFW 和 YTF 上的最新准确性。

Nov, 2014

深度学习与人脸识别：现状

本文介绍了深度学习技术在人脸识别领域中的应用和进展，提出了需要更大和更具挑战性公共数据集的必要性，以及可以提供这样数据集的机构。

Feb, 2019

尺度友好的深度卷积神经网络进行人脸检测

本篇论文介绍了一种基于卷积神经网络设计的人脸检测器，该检测器可以处理极大范围内尺度大小的人脸，所设计的深度卷积神经网络结构可以模拟不同尺度的人脸，且经过训练后在 WIDER FACE 和 FDDB 数据集中表现出优异性能，其模型的输入不需要图像金字塔，拥有适度的复杂度，实用性标准时间内运行。

Jun, 2017

DeepVisage：简单却具有强大的泛化能力的人脸识别技术

本文提出并实现了一种基于单个卷积神经网络的人脸识别方法，使用残差学习框架和归一化特征计算损失，实验证明在不同数据集上具有较好的泛化性能。

Mar, 2017

用少量数据学习深层面部表示的 Frankenstein

应用深度卷积神经网络对人脸识别问题进行研究，提出利用真实面部图像进行合成的方式来生成大型合成图像数据集，有效缓解了小样本困境，同时在 CASIA NIR-VIS2.0 异构人脸识别数据集上取得最优结果。

Mar, 2016

一种有效的面部识别大规模训练方法

利用动态类池，在不降低性能的情况下加快速度，提高人脸识别精度。

May, 2021

用于训练人脸识别 CNN 的噪声容忍模式

使用加权样本的训练范式，基于角边缘损失函数训练深度卷积神经网络模型既可消除噪声数据效应，又可以在大规模人脸识别数据集上实现高精度识别。

Mar, 2019

利用数百万 3D 扫描进行大规模 3D 人脸识别的学习

提出使用大量的 3D 面部扫描数据和深度学习模型的方法来解决开放世界人脸识别问题，并取得了比现有技术超过 10％的精度提升。

Nov, 2017

深度三维人脸识别

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

深度神经网络进行的人脸识别（DeepID3）

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