Feb, 2016

人脸验证的三元组相似度嵌入

PDF
TL;DR提出了一种结合深度卷积神经网络和三元组相似性约束的低维判别嵌入的无约束人脸验证算法，在 IJB-A 数据集上显示出超越现有方法的性能提升和内存优化的优点。
unconstrained face verificationdeep cnn-based approachtriplet similarity constraintsmemory optimizationstate of the art methods
发现论文，激发创造
  • 人脸验证和聚类的三元概率嵌入

    使用基于深度学习和三元组概率约束的低维高效嵌入的方法能够解决无约束人脸验证的问题，同时具有较好的性能和广泛的鲁棒性。

    Apr, 2016

  • 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

  • 使用深度卷积神经网络特征进行无约束人脸验证

    本文提出了一种基于深度卷积特征的无限制人脸验证算法，并在 IARPA Janus 基准数据集上进行了评估。实验结果表明该算法在包含 500 个受试者的真实世界无约束面部图像上具有很好的性能。

    Aug, 2015

  • 基于三元组的深度相似性学习用于人员再识别

    本文提出了基于三元组卷积神经网络的深度相似性学习框架，采用多数据集训练和双重采样方案，实现了在行人再识别任务中的有效性并表现出与甚至优于现有最先进方法的性能。

    Feb, 2018

  • 使用深度卷积神经网络进行基于静态和视频的人脸验证

    本篇研究论文介绍了一种深度学习系统，基于卷积神经网络，包括面部检测、定位、对齐和验证模块等，用于非约束性人脸识别。研究使用 IARPA Janus 基准数据集 A， JANUS 挑战集 2 和 LFW 数据集进行了数量化的性能评估，并讨论了 DCNN 面部验证问题的一些开放性问题。

    May, 2016

  • 学习图像聚类嵌入：三元组损失方法实证研究

    本文在嘈杂标签的假设下，使用 Triplet Loss 训练卷积神经网络学习能区分特征，并通过 K-means 和相关聚类评估三种 Triplet Loss 公式的聚类性能，提出一个新的公式优于现有方法，应用于 CIFAR-10 图像分类数据集。

    Jul, 2020

  • 人脸验证和识别的模板适配

    本研究旨在解决模板适应性问题，结合深度卷积神经网络和模板特定的线性 SVM，发现其在模板之间迁移的情况下可以显著提高面部识别性能，而这种方法较之传统的二维和三维对齐方法结果相当。

    Mar, 2016

  • 联合身份验证的深度学习人脸表示

    通过深度学习训练的 DeepID2 特征结合人脸识别和验证信号能够有效地减少人脸识别中的人际差异和人内差异并实现高辨识率。

    Jun, 2014

  • 以深度嵌入为手段实现极致准确性：人脸识别

    本文提出了一种基于 CNN 和度量学习的两阶段方法，以实现面部验证和识别。实验表明，该方法优于其他最先进的方法，获得 99.77% 的成对验证准确度，并在其他两个更实用的协议下获得更好的准确度。本文也讨论了数据大小和补丁数量的重要性，展示了通往实际高性能面部识别系统的明确途径。

    Jun, 2015

  • 车辆重新识别：使用三元组嵌入的高效基线

    本文利用三元组嵌入解决了摄像头网络中车辆重新识别的问题，通过学习一个嵌入空间并使用三元组 Loss 函数提高了识别正确率。

    Jan, 2019