Naive-Deep 人脸识别:是否达到 LFW 基准的极限?
论文提出了 MegaFace 数据集和 MegaFace 挑战,通过增加 gallery 集中的干扰数,评估算法的性能,结果显示在万级别规模下测试揭示了算法之间的大量性能差异,并且年龄和姿态不变性对大多数算法仍然具有挑战性。
Dec, 2015
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
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
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
最近机器学习和计算机视觉的进展使得人脸识别的准确率超越了人类表现。然而,我们质疑这些系统在真实的法庭鉴定情景中是否能够有效应用,因为在这种情景下,图像往往是低分辨率、低质量且被部分遮挡。本研究构建了一个大规模的合成人脸数据集,并创建了一个控制的人脸法庭鉴定场景,通过这两者的结合,可以在一系列真实环境条件下对人脸识别进行控制性评估。通过使用这个合成数据集和一个包含真实人脸的流行数据集,我们评估了两个常见的基于神经网络的人脸识别系统的准确性。我们发现,在这种更具挑战性的法庭鉴定情景中,先前报道的超过 95% 的人脸识别准确率下降到了 65%。
Nov, 2023
本文提出了一种基于区分性高斯过程潜在变量模型的多任务学习方法 - GaussianFace,旨在丰富训练数据的多样性以改进在未知目标域中的人脸验证泛化能力,通过利用多源域的额外数据,实现自适应复杂数据分布以更好地捕获多种来源中的复杂人脸变化,并在通用人脸库 Labeled Faces in the Wild (LFW) 上取得了惊人的 98.52%准确率,首次超越了人类的 97.53%。
Apr, 2014
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
本文介绍了一个名叫 MF2 的基准测试集,要求所有算法在同一数据集上训练并在大规模人脸识别测试中进行测试。研究发现,相对于另外两个大规模测试集,算法在 MF2 上的训练效果更加出色,需要将年龄变化量放宽或调整算法来提高准确率。
May, 2017
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