当人脸识别遇到深度学习：卷积神经网络在人脸识别中的评估

Apr, 2015

When Face Recognition Meets with Deep Learning: an Evaluation of Convolutional Neural Networks for Face Recognition

Guosheng Hu, Yongxin Yang, Dong Yi, Josef Kittler, William Christmas...

TL;DR本文通过使用公共的数据集 LFW，提出了三种最近的第一代 CNN 结构，研究了卷积神经网络应用于人脸识别的原因和设计，发现将多个 CNN 结构及度量学习的融合，可以提高 CNN-FRS 的性能并使得学习特征的维度可显著减小。

Abstract

deep learning, in particular convolutional neural network (CNN), has achieved promising results in face recognition recently. However, it

发现论文，激发创造

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

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

通过深度网络剪枝等方法，对基于小型 SqueezeNet、流行的 MobileNetv2 和 ResNet50 架构的网络进行压缩，以实现移动设备上的可靠且实时的人脸识别。

May, 2024

本文通过基于卷积神经网络的 Inception 和 ResNet 模型在 MSU Mobile Face Spoofing 数据库上的表现，研究了如何应用这些深度学习算法实现面部反欺骗的生物特征访问控制。

May, 2018

本文全面回顾了深度人脸识别的最近发展，涵盖了算法设计、数据库、协议和应用场景等广泛主题，概述了不同的网络架构和损失函数，将相关的面部处理方法分为 “一对多增强” 和 “多对一归一化” 两类，并总结和比较了常用的数据库用于模型训练和评估，最后强调了技术挑战和几个有前途的方向。

Apr, 2018

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

在面部表情数据上使用零偏差卷积神经网络，作者在扩展的 Cohn-Kanade 和多伦多人脸数据集上取得了领先水平的性能，并使用空间模式可视化的方法解释了这些卷积神经网络是如何进行表情识别并关联面部动作元素的。

Oct, 2015

本篇研究提出了在视频中进行情感识别的 3D 卷积神经网络方法，使用 3D Inception-ResNet 层及 LSTM 单元，从面部图像中提取空间关系和不同帧之间的时间关系，并利用面部关键点作为输入，该方法在四个公开数据库上的表现超过了现有最先进技术。

May, 2017

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

本研究从大数据方面对卷积神经网络进行了分析，并在单个和多个网络模型上提出了有效的融合机制，为大数据从业人员提供了最佳实践，从而在保持计算成本较低的情况下，在基准数据集上取得了最先进的结果。

Aug, 2016