本文探讨了人脸识别中如何有效聚类未标记数据的问题,提出了一种基于图卷积网络的新方法,可以更准确地聚类人脸并提升识别性能。
Apr, 2019
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。
Dec, 2015
研究提出一种基于极值理论的新颖身份分离方法,作为一种超分布检测算法,大大减少了重叠身份标签噪声所导致的问题,通过对余弦损失的调节,给出了聚类不确定性的估计,实验结果表明,该方法在受控和实际环境下比监督基线方法都有更好的性能。
Jul, 2020
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
使用 Ball Cluster Learning 算法对电影和电视剧中的角色进行面部追踪并分集群,此方法可估计集群数量并完成集群分配。
Aug, 2019
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
该研究提出了一种基于 ResNet 的面部表示方法,并利用 Conditional Pairwise Clustering(ConPaC),将面部图像聚类,得出的实验结果表明 ConPaC 的性能优异,可以自动选择聚类数量,并保留面部图像之间的相似度。还提出了 k-NN 变体,适用于大型数据集。
Jun, 2017
本文介绍了一种新的人脸聚类方法,将人脸聚类任务转化为成对关系分类任务,避免了在大规模图上训练所需的高内存消耗,并借助上下文信息以增强分类器性能。同时,引入排名加权密度来指导选择输入分类器的对。实验结果表明,该方法速度最快,内存消耗最小,并且在几个公共聚类基准上达到了最先进的性能。
May, 2022
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
本研究提出了一种具有较强鲁棒性的画廊数据抽样方法,可以对包括错误标记,低质量和信息较少的图像在内的异常值进行处理。该方法显著提高了我们收集的 540 万张名人网络图像数据集上的面部识别性能,并在公共数据集上进行了实验。
May, 2023