Nov, 2015

利用轻量级卷积神经网络进行带噪音标签的人脸深度表示

PDF
TL;DR本研究提出 Light CNN 框架，采用 Max-Feature-Map 和语义引导方法，从大规模嘈杂标签的面部数据中学习高效嵌入，使单个网络在不微调的情况下取得了各种面部基准测试的最新成果。
convolutional neural networkface recognitionmax-feature-mapsemantic bootstrapping methodstate-of-the-art
发现论文，激发创造
  • 一种基于多尺度特征融合的轻量级注意力深度网络用于多视角面部表情识别

    通过引入轻量级的关注网络，以及多尺度特征融合，本研究的主要目标是克服在实际应用中计算复杂性和多视角头部姿势方面所面临的挑战，该方法在参数数量和对姿势变化的鲁棒性方面达到了业界先进方法的水平。

    Mar, 2024

  • 多尺度低频记忆网络用于改进卷积神经网络中的特征提取

    使用 Multiscale Low-Frequency Memory (MLFM) 网络框架，通过有效地保存低频信息来提高卷积神经网络的性能。测试结果表明，MLFM 能够显著提高多种 2D CNNs 和语义分割网络在图像分类和图像翻译任务方面的准确性和效率。

    Mar, 2024

  • 用于训练人脸识别 CNN 的噪声容忍模式

    使用加权样本的训练范式，基于角边缘损失函数训练深度卷积神经网络模型既可消除噪声数据效应，又可以在大规模人脸识别数据集上实现高精度识别。

    Mar, 2019

  • FeatherNets: 轻如羽毛的卷积神经网络用于人脸防欺诈

    本研究提出了极致轻量化的神经网络结构，同时设计了一种新颖的集成融合方法和数据集，以提高人脸反欺诈检测的性能和鲁棒性。

    Apr, 2019

  • DeepVisage：简单却具有强大的泛化能力的人脸识别技术

    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

  • 多模态深度面部表示的鲁棒人脸识别

    本篇论文提出了一种使用多模式信息联合学习人脸表征的深度学习框架，该框架包括一组卷积神经网络和三层堆叠自动编码器，使用公开可用的数据集训练，取得了超过 99％的人脸识别率。

    Sep, 2015

  • Big-Little Net：一种高效的多尺度特征表示方法，用于视觉和语音识别

    该论文提出了一种新的卷积神经网络 (CNN) 架构，通过使用具有不同计算复杂度的多分支网络，在不同的尺度上频繁合并特征，以使用更少的计算实现多尺度特征，并在目标识别和语音识别任务上显著提高了模型效率和性能。

    Jul, 2018

  • FaceNet：用于人脸识别和聚类的统一嵌入

    本文介绍了一种名为 FaceNet 的系统，其通过使用卷积神经网络及三元组学习法直接将人脸图像映射到紧凑的欧几里得空间中，使得人脸识别、验证和聚类等任务可使用 FaceNet 嵌入作为特征向量，仅使用 128 字节每个人脸即可实现最先进的人脸识别性能，其在 LFW 和 YouTube Faces DB 两个数据集上的表现都创造了最新纪录。同时，本文还提出了谐波嵌入的概念和谐波三元组损失，以描述不同网络产生的面部嵌入版本以及它们之间的直接比较。

    Mar, 2015

  • 人脸识别的 Web 规模训练

    本文研究了深度卷积网络在人脸识别中的性能，发现网络的 “瓶颈” 结构对于迁移学习具有重要作用，并提出了一种解决方法，即用自助法取代随机子采样；同时还发现了表示范数和目标域判别能力之间的联系，并基于这些发现，在目前最流行的人脸识别数据集 LFW 上取得了优秀的性能，甚至超越了商用系统。

    Jun, 2014

  • 学习深度人脸表征

    本文提出了一种基于 Pyramid CNN 的深度学习框架，通过特征共享、Greedy-filter-and-down-sample 操作，以及多尺度脸部表示，得到了高度鉴别能力的面部特征表示，使得系统能够在 LFW 基准测试上实现了最先进的性能。

    Mar, 2014