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
采用合成数据集进行人脸识别,通过数据扩充和精细控制属性可以显著减少真实与合成数据集之间的差异,并降低数据集的偏见和标签噪声问题,从而将识别错误率从 91.93% 降低到 96.17%,并在较少的真实样本上训练可与百万真实样本训练相媲美的识别效果。
Oct, 2022
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。
Jun, 2014
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
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
提出使用面部合成的方法,而非手动标注更多面部图像,从而增加面部识别系统的训练数据,并将其应用于卷积神经网络,获得与数百万下载图像训练的系统报告的最新结果相匹配的性能表现。
研究者使用 Million 的人脸图像数据集,评估各种最先进的人脸识别算法的表现,并发现大规模情况下的性能变化,尤其是深度学习方法在大规模情况下依然表现良好,但对于规模的变化也变得不够鲁棒。研究者还通过机械土耳其进行了广泛人类研究,并报告了结果。
May, 2015
该研究报道了大数据技术对人脸识别性能的影响,基于此构建了 Megvii 人脸识别系统,并在现实世界的安全认证场景中证明了其 99.50% 的准确率表现,并指出人工智能识别和人类识别之间仍存在巨大差距,未来在人脸识别领域仍需面对三个挑战,提出了可能的解决方案,希望能够激发学术界对于研究基准和实际应用之间的差异进行讨论。
Jan, 2015
本篇论文提出了一种使用多模式信息联合学习人脸表征的深度学习框架,该框架包括一组卷积神经网络和三层堆叠自动编码器,使用公开可用的数据集训练,取得了超过 99%的人脸识别率。
Sep, 2015
本文提出了一种无监督学习 CNNs 的方法,通过从视频帧中提取面孔对来获得受监督的训练数据并获得比手工制作特征和最先进的深度网络更高的低分辨率验证准确性,表明开发适用于姿势和光线变化的人脸验证模型是可行的。
Mar, 2018