本文提出了一种基于 Pyramid CNN 的深度学习框架,通过特征共享、Greedy-filter-and-down-sample 操作,以及多尺度脸部表示,得到了高度鉴别能力的面部特征表示,使得系统能够在 LFW 基准测试上实现了最先进的性能。
Mar, 2014
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。
Mar, 2016
本文介绍了深度学习技术在人脸识别领域中的应用和进展,提出了需要更大和更具挑战性公共数据集的必要性,以及可以提供这样数据集的机构。
Feb, 2019
本文通过使用野生标记人脸数据集(LFW), 系统地研究了四种不同的深度卷积神经网络模型在面部识别任务中对图像质量、颜色信息、CNN 架构和描述符计算等不同协变量因素的影响,结果发现高噪声、模糊、缺失像素以及亮度对所有模型的识别准确性有不利影响,而对比度变化和压缩失真的影响有限,但同时发现描述符计算和颜色信息对性能没有显著影响,这对未来深度学习模型的进一步优化和改进提供了启示。
Oct, 2017
本文讨论了学习通用人脸表征的最佳方法,介绍了用于面部表征学习的综合评估基准,研究了人脸表示学习的两种方法(监督和非监督预训练),并调查了训练数据集的重要特征,通过大量实验,发现无监督的预训练方法在各种人脸任务中表现出一致性和显著的准确性提高,同时也发现现有的一些人脸视频数据集存在大量的冗余。
Mar, 2021
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
本文考虑利用中层卷积网络特征进行面部属性预测,与经过微调的高层抽象相比,中层深度表示的预测准确性更高,可同时实现面部识别和属性预测的单一深度网络。
Feb, 2016
通过将三维面部模型与深度学习方法相结合,本研究提出了一种新的方法来增强面部分类和识别任务,从而精确分析和分类面部属性。使用三维面部模型提取各种任务的最有用信息,从而提高了分类准确性。将三维面部洞察力与 ResNet 结构相结合,本方法取得了显著的结果:100%个体分类准确性,95.4%性别分类准确性和 83.5%表情分类准确性。这种方法有望推进面部分析和识别的研究。
Dec, 2023
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
本篇论文提出使用 DeepID3 算法来进行人脸识别,使用了卷积神经网络和 Inception 层,并采用监督信号技术来训练神经网络,最终取得了 99.53% 的 LFW 人脸验证准确率和 96.0% 的 LFW 排名 1 的人脸识别准确率。
Feb, 2015