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

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

该论文提出了一种基于多图像区域（头部、身体等）的简单的人员识别框架，以应对社交媒体照片中的人员识别问题，并针对训练和测试样本之间的时间和外观差距提出了新的识别方法，该方法在 PIPA 基准上取得了最先进的结果，对不同的特征进行了深入的分析。

Oct, 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。

Mar, 2016

本研究提出了一种具有较强鲁棒性的画廊数据抽样方法，可以对包括错误标记，低质量和信息较少的图像在内的异常值进行处理。该方法显著提高了我们收集的 540 万张名人网络图像数据集上的面部识别性能，并在公共数据集上进行了实验。

May, 2023

本篇论文提出了一种高效的 Rank-Order 聚类算法，可将超过 1.23 亿张人脸图像聚类成 1000 多万个类别，并在相应的内部和外部质量度量下分析其结果，以及对视频帧进行了初步的聚类研究。

Apr, 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

提出一种基于卷积神经网络的人物识别系统，针对不同的身体线索和训练数据量的信息量，系统的常见故障模式进行了深入分析，并讨论了现有基准的局限性并提出更具挑战性的基准，其简单易用且在社交媒体照片数据集（PIPA）上达到了更好的成果。

Sep, 2015

本研究提供新的百萬級別人臉識別測試基準，名為 WebFace260M，包括 4 百萬的姓名列表和 260 百萬的人臉圖像。使用此基準，研究人員開發了有效的分散式框架，並在各種環境中進行了全面的基準測試，顯示出極大的潛力。

Apr, 2022