使用深度多姿态表示进行人脸识别

Mar, 2016

使用深度多姿态表示进行人脸识别

Face Recognition Using Deep Multi-Pose Representations

Wael AbdAlmageed, Yue Wua, Stephen Rawlsa, Shai Harel, Tal Hassner...

TL;DR使用多个面向姿态的深度学习模型进行人脸识别，其中处理面部图像生成多个具有不同姿态特点的卷积神经网络特征，并使用这些特征的集合来减少对姿势变化的敏感性。在多个实验中，我们展示了该方法在人脸识别任务的表现优于现有技术。

Abstract

We introduce our method and system for face recognition using multiple pose-aware deep learning models. In our representation, a face image is processed by several pose-specific deep →

face recognition deep learning models convolutional neural network pose-specific features ensemble

发现论文，激发创造

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

野外多任务头部姿态估计

通过深度学习的多任务方法，提出了一种可以同时处理头部姿势、人脸对准和可见性的网络结构，相比现有技术，在头部姿势和可见性方面均取得了最佳表现，在人脸对准方面也达到了和现有技术同等的状态。

Feb, 2022

姿态感知的人员识别

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

人脸分析的全功能卷积神经网络

本文提出一种使用单个深度卷积神经网络进行人脸检测，人脸对齐，姿态估计，性别识别，微笑检测，年龄估计和人脸识别的多用途算法，通过多任务学习框架实现了对 CNN 模型的共享参数的规范化，并在不同领域和任务之间建立协同关系，实验结果表明该网络对人脸具有更好的理解，并在大多数任务方面实现了最先进的结果。

Nov, 2016

基于深度学习的人脸识别特征表示全面分析

本文综合评估了基于深度学习的面部表示在不同条件下的性能，仍需预处理，如姿态和光照归一化以在各种条件下取得更好的性能。

Jun, 2016

用于姿势不变面部识别的多任务卷积神经网络

本文探讨了多任务学习在人脸识别中的应用及优化方法，提出了一种多任务卷积神经网络，动态加权方案，姿态指导的多任务卷积神经网络和一种基于能量的权重分析方法，并在 Multi-PIE 数据集上进行了有效性测试。得出结论指出，多任务学习在人脸识别中作为规则化项，可以将身份特征与变量解耦，并展现该方法在公开数据集上的实验表现。

Feb, 2017

PoseFace: 面部识别的姿态不变特征与姿态自适应损失

该论文提出了一个有效的 PoseFace 框架，它利用人脸特征点来解开姿势不变特征，并利用姿势自适应损失处理训练期间的数据不平衡问题，这在 Multi-PIE、CFP、CPLFW 和 IJB 等基准测试中展现了优越性。

Jul, 2021

使用单张图像进行瑜伽姿势识别的高效深度卷积神经网络模型

YPose 是一个用于从 RGB 图像中识别瑜伽姿势的卷积神经网络模型，采用基于 EfficientNets 骨干的 CNN 架构进行特征提取，并添加了密集连接网络架构中自适应的密集细化块用于学习更多样化的特征，然后应用全局平均池化和全连接层用于瑜伽姿态的多级分类，其在 Yoga-82 数据集上的表现优于之前的最新技术，准确率达到了 93.28%。

Jun, 2023

基于重建的位姿不变人脸识别解耦

本文探讨了一种基于深度神经网络的人脸识别方法，针对面部不同位置的姿态变化，在训练数据相对不足的情况下，通过生成非正面视图，提高了数据多样性，并利用特征重建度量学习来显式地分离身份和姿态，实现了不变性和识别准确性。

Feb, 2017

深度姿态姿势特征用于人体检测

本文通过基于 poselets 的部分方法解决了在自然场景中检测人的问题，并使用 bootstrapping 方法收集了数以百万计的弱标记示例来训练卷积神经网络以区分不同的 poselet 类型和背景类。通过训练 poselet 模型来识别人并有效地预测边界框，其效果在 PASCAL 数据集上达到了最先进的水平。

Jul, 2014