姿态不变人脸识别综述
该论文提出了一个有效的 PoseFace 框架,它利用人脸特征点来解开姿势不变特征,并利用姿势自适应损失处理训练期间的数据不平衡问题,这在 Multi-PIE、CFP、CPLFW 和 IJB 等基准测试中展现了优越性。
Jul, 2021
本文介绍了 PPIPA 数据集,提出了一种基于深度卷积网络的 Pose Invariant PErson Recognition (PIPER) 方法来实现照片集中个体识别,实验证明该方法在处理姿态、服装、视角、分辨率和光照等变化时表现优于 DeepFace。
Jan, 2015
本研究提出多个模型联合训练并在测试中使用姿势感知权重的方法解决全身人物识别中的姿态变化问题。同时,使用网络对多个身体区域进行联合优化,为解决不同场景下的人物识别问题提出了新的基准测试,并证明了该方法在 PIPA 数据集中取得的高准确率。
May, 2017
该综述文章深入探讨了异构人脸识别技术的已有技术及最新进展,并提供了常用的数据集和评估方法,最终对该领域进行了评估,并探讨了未来的研究方向。
Sep, 2014
该研究针对人脸识别中的关键问题:人脸检测、人脸对齐和人脸识别,通过在同一骨干架构下进行面部识别方法的比较基准测试,提出了最新的人脸识别状态,针对红外图像、无遮挡、带口罩、戴眼镜等情况对不同的识别算法进行了评估。
Nov, 2022
为解决行人重识别中行人错位问题,本文提出了一种基于姿态不变嵌入的行人描述符,通过引入 PoseBox 结构和 PoseBox fusion CNN 架构,可有效实现标准化姿态和减少信息损失,同时与现有方法相比具有竞争性的表现表现。
Jan, 2017
该论文提出了一种高保真度姿态不变模型,通过新颖的纹理扭曲过程和密集对应场来实现面部物体模型的正面化,以及利用深度网络进行面部纹理映射的恢复,从而提高姿态不变的人脸识别性能并显著改善了高分辨率的面部正面化外观。
Jun, 2018
使用多个面向姿态的深度学习模型进行人脸识别,其中处理面部图像生成多个具有不同姿态特点的卷积神经网络特征,并使用这些特征的集合来减少对姿势变化的敏感性。在多个实验中,我们展示了该方法在人脸识别任务的表现优于现有技术。
Mar, 2016