基于视频的人脸识别的结构化序数度量学习
本文研究了视频中的面部分析问题,提出了一种新的弱监督学习方法,模拟视频事件(表情,疼痛等)作为自动挖掘的有区别子事件的序列,这个模型受到了多个实例学习和潜在SVM/HCRF框架的启发,用于模仿视频中的顺序或时间方面, 本文的贡献主要在于提出了这样的结构并在四个具有挑战性且公开可用的基于视频的面部分析数据集上实现了优异的表现。
Apr, 2016
探讨关于面部分析和人类行为识别中视频分类的问题,提出了一种新颖的弱监督学习方法,通过模拟自动挖掘的明显子事件序列(例如“微笑”的起始和停止阶段,“跑步”和“跳跃”)来建模视频,将其扩展到顺序方面,从而在四个面部分析数据集和三个人类动作数据集上获得了一致改进。
Aug, 2016
本文探讨了基于深度神经网络的序数分类问题,通过对均方误差损失函数的简单修改,使其可以敏感地处理类别排序,同时还能获得各个类别的离散概率分布。我们基于 softmax 隐藏层提出了一种新的算法,经实验在 Kaggle 糖尿病性视网膜病变数据集上表现优于所有基线模型。
Dec, 2016
本论文旨在提出一种多列神经网络架构,它可以自适应地对输入的人脸图像集进行加权和校准,计算出一个固定大小的特征向量来代表整个集合,此举在人脸识别评测基准测试中的表现优异。
Jul, 2018
提出了一个用于多个挑战性情景的视频人脸识别的鲁棒且高效的系统,包括人脸/标志检测、人脸关联和人脸识别等模块,特别是针对多镜头视频设计了精心的人脸关联方法,采用一种基于无监督子空间学习方法和子空间到子空间相似度度量的人脸匹配器来识别人脸,广泛实验表明该系统可以准确地检测和关联未约束的视频中的人脸,并有效地学习到具有鲁棒性和区分性的特征用于识别。
Dec, 2018
本文提出了一种在图像集合中进行人脸验证和识别的方法,使用马尔可夫决策过程模型处理无序图像集之间的相关性以及结合姿势引导表示方案和增强学习方法提升性能,并在多个数据集上实验验证了该方案优于现有的一些方法。
Aug, 2019
本文讨论了学习通用人脸表征的最佳方法,介绍了用于面部表征学习的综合评估基准,研究了人脸表示学习的两种方法(监督和非监督预训练),并调查了训练数据集的重要特征,通过大量实验,发现无监督的预训练方法在各种人脸任务中表现出一致性和显著的准确性提高,同时也发现现有的一些人脸视频数据集存在大量的冗余。
Mar, 2021
本研究提出了一种基于角三角形距离和有序三元组网络的新深度度量学习方法,能够准确地将有序数据嵌入一个低维空间表示。实验结果表明,该方法不仅能保持有序性,而且比现有的深度度量学习模型更准确。
Nov, 2022
基于集合的人脸识别中,本研究通过不同iable的farthest-point采样选择问题的核心集方法,构建了一个同时平衡质量和多样性策略的模型,进而在IJB-B和IJB-C数据集上取得了新的最佳表现。
Aug, 2023