个人相片集中的人物识别
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
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
本文提出了一种新的人物识别框架:区域注意力网络,它能够以实例相关的方式自适应地组合不同的视觉线索,并学习社交上下文和人物身份的推理,从而在复杂的环境中大幅提高了鲁棒性。
Jun, 2018
该研究提出使用一种新的循环神经网络架构来建模人物间的关系信息,并将场景上下文与视觉外观一起建模,该方法将序列预测和语境线索结合,达到了最佳的性能表现。
Nov, 2016
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
本文旨在通过研究社交媒体数据中人员识别的准确性,为我们日益涉足虚拟空间,隐私受到威胁的新现实提供理解。我们定义了多种场景并提出了一种强大的人员识别系统,证明即便在人脸被模糊处理的情况下,仍然能威胁到用户的隐私安全。本文详细论述了我们的实验结果及其涵义。
Jul, 2016
论文提出了一种基于梯度注意机制和深度卷积神经网络的人物再识别方法,可以通过关注图像中最敏感的部分来处理输入图像并在低分辨率下感知周围图像,成功地在 CUHK01,CUHK03 和 Market 1501 数据集上超越了现有的先进方法。
Jul, 2017
本文提出一种深层级联多任务框架,通过三层深度卷积神经网络的分级设计,在对人脸和人脸特征区域进行预测的粗到细的过程中,利用其中的内在相关性以提高人脸检测和特征点定位的性能,在学习过程中还采用一种新型的在线困难样本挖掘方法,能够自动提高性能而无需手动样本选择。
Jan, 2022
本文提出了一个脸部搜索系统,它使用快速搜索程序和 COTS 匹配器相结合的级联框架,通过卷积神经网络生成的深度特征来过滤大量的照片,并在 80 百万张网络下载的人脸图像的图库上对该系统进行了评估。
Jul, 2015
该研究提出了一种个性化 ConvNet 姿态估计器,它可以根据帧与帧之间的时间跨度和人物外貌的特点,在视频中生成高精度的姿态标注,并利用自评模型筛选高质量的标注,并通过自动化的 fine-tune 训练方法将其个性化,相比于通用的 ConvNet,对目标视频的姿态估计得到了大幅提升,表现比现有方法更好。
Nov, 2015