Mar, 2016

人脸验证和识别的模板适配

PDF
TL;DR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。
face recognitiontemplate adaptationdeep convolutional networkperformance evaluationtransfer learning
发现论文，激发创造
  • 基于模板的人脸识别方法：使用池化的人脸图像

    本文提出一种基于平均池化的脸部图像识别的新方法，该方法通过对图片质量和头部姿态对模板图像的空间进行分区然后进行池化，从而提高了识别准确性并降低了计算和存储成本。在 IJB-A 和 Janus CS2 模板匹配人脸识别基准测试中，表明我们的方法不仅优于现有的最先进技术，而且与深度特征池化具有可比性。

    Jul, 2016

  • 基于模板的人脸识别深度异质特征融合

    本文提出了一种深度异构特征融合网络，用于增强不同深度卷积神经网络生成的特征之间的关联性，以实现基于模板的人脸识别任务，并在 IARPA Janus Challenge Set 3 (Janus CS3) 数据集上证明了本方法的有效性。

    Feb, 2017

  • 无标签视频中人脸识别的无监督域适应

    通过特征水平领域自适应方法，该文提供一种学习判别式视频帧表示的方法，利用大规模无标签的视频数据，使得模型可以转移从大规模标记的静态图像中获得的判别性知识。实验表明，该方法可大幅度提升视频人脸识别性能，达到最先进的准确性。

    Aug, 2017

  • 人脸验证的三元组相似度嵌入

    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。

    Feb, 2016

  • 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

  • 基于聚类的域自适应深度人脸识别

    本文提出了一种基于聚类的领域自适应方法，通过全局对齐特征域和本地区分目标聚类的方式来有效学习判别性目标特征，经过广泛的实验，证明了该方法在面部识别任务方面具有先进性能。

    May, 2022

  • 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

  • 基于集合的人脸识别中的 GhostVLAD

    本文旨在针对模板基础人脸识别问题，提出了一种图像集的紧凑表示方法；基于深度卷积神经网络产生的人脸描述符，该方法利用网络架构进行聚合嵌入，生成了一种紧凑且固定长度的表达形式，该表达形式需要最小的内存存储并能够进行有效的相似性计算；同时还提出了包含 “幽灵簇” 的新型 GhostVLAD 层，该层能够使输入的高质量图像比低质量图像更具信息量，增强了网络处理低质量图像的能力；最后，我们在 IJB-B 人脸识别数据集上训练的模型比目前的最先进模型性能更高，且在身份识别和验证协议上均超过了先前的最高水平。

    Oct, 2018

  • 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

  • 软间隔多特征核学习的领域自适应技术较深度学习更适用于监控人脸识别

    本研究提出了一种基于多特征核组合的新型软间隔学习方法，并使用领域自适应对特征进行转换，从而在三个真实的监控人脸数据集上优于许多最近的技术，以解决低对比度、噪声和光照条件下的人脸识别困难问题。

    Oct, 2016