Dec, 2015

百万脸庞大规模识别的 MegaFace 基准测试

PDF
TL;DR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。
face recognitionmegafacedistractorsidentification performanceverification performance
发现论文，激发创造
  • MegaFace: 百万级别人脸识别

    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

  • 百万级人脸识别的公平竞争环境

    本文介绍了一个名叫 MF2 的基准测试集，要求所有算法在同一数据集上训练并在大规模人脸识别测试中进行测试。研究发现，相对于另外两个大规模测试集，算法在 MF2 上的训练效果更加出色，需要将年龄变化量放宽或调整算法来提高准确率。

    May, 2017

  • MS-Celeb-1M: 大规模人脸识别的数据集和基准

    本文提出了一个基于知识库的人脸识别基准任务，建立相关的数据集，通过该任务可以识别 100 万名人的面部图像，并将其链接到相应的实体密钥。我们提供了具体的度量集，评估协议以及训练数据，并报告了有前途的基线结果，将有助于图像字幕和新闻视频分析等实际应用。

    Jul, 2016

  • Naive-Deep 人脸识别：是否达到 LFW 基准的极限？

    该研究报道了大数据技术对人脸识别性能的影响，基于此构建了 Megvii 人脸识别系统，并在现实世界的安全认证场景中证明了其 99.50% 的准确率表现，并指出人工智能识别和人类识别之间仍存在巨大差距，未来在人脸识别领域仍需面对三个挑战，提出了可能的解决方案，希望能够激发学术界对于研究基准和实际应用之间的差异进行讨论。

    Jan, 2015

  • WebFace260M: 百万级深度人脸识别基准测试

    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

  • DigiFace-1M: 100 万数字人脸图像用于人脸识别

    采用合成数据集进行人脸识别，通过数据扩充和精细控制属性可以显著减少真实与合成数据集之间的差异，并降低数据集的偏见和标签噪声问题，从而将识别错误率从 91.93% 降低到 96.17%，并在较少的真实样本上训练可与百万真实样本训练相媲美的识别效果。

    Oct, 2022

  • WebFace260M: 百万级深度人脸识别性能评估基准

    该研究创建了一个新的百万级人脸基准数据集，包含清理后的面部图像，以及设计了一种时间约束的评估协议，建立了分布式框架以有效地训练人脸识别模型，并在 FRUITS 协议下建立了广泛的基准线。

    Mar, 2021

  • 从零开始学习面部表征

    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

  • 通过身份聚类数百万张人脸

    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

  • 大规模人脸搜索：8000 万图库

    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