基于稀疏图形表示的异构人脸识别判别分析
本文提出了一种基于图形表现的异构人脸识别方法 (G-HFR),在该方法中,马尔可夫网络用于分别表示异构图像补丁,同时考虑相邻图像补丁之间的空间兼容性。实验表明,该方法优于现有的最新方法。
Mar, 2015
本研究提出了一种基于深度学习无监督算法的异质人脸识别框架,通过在局部人脸点处提取 Gabor 特征,并使用 RBM 学习本地共享表示来消除每个人脸点周围的异质性。最后,将局部 RBM 的共享表示连接在一起,并通过 PCA 处理,成功地解决了 Sketch-Photo 和 NIR-VIS 问题,并在相应的数据库上取得了最佳实验结果。
Jun, 2014
本文提出了一种对抗鉴别特征学习框架,通过在原始像素空间和紧凑特征空间上进行对抗学习,整合跨光谱人脸超分辨率和鉴别特征学习。在三个 NIR-VIS 数据库的实验结果表明,我们的方法优于最先进的 HFR 方法,且不需要复杂网络或大规模训练数据集。
Sep, 2017
本文提出了一种名为 S$^3$RC 的方法,它能够在面部图像仅有极少标注数据、被噪声数据干扰的情况下进行人脸识别,该方法利用稀疏表示框架来表示面部图像中的两个字典(画廊字典和变化字典),并应用高斯混合模型和半监督学习方法来预测面部图像。实验结果表明,该方法在 AR、Multi-PIE、CAS-PEAL 和 LFW 数据库上的表现要显著优于现有方法。
Sep, 2016
本文提出了一种名为 AGRA 的新颖的敌对图表示适应框架,将图表示传播与敌对学习结合起来,实现跨域整体 - 局部特征共适应,并探索它们的相互作用,使 AGRA 框架能够自适应地学习细粒度的不变特征,从而促进跨域表情识别。
Aug, 2020
本文提出了一种新的深度学习方法来处理基于视频的场景分类问题,使用 HDDM 模型,通过异构无监督预训练和 SCSP 来解决存储问题,并使用加权投票策略进行分类,实验结果表明该方法在所有数据集上都实现了卓越的性能。
Jul, 2018
通过结合多模态图像,本文提出了一种基于 Transformer 的异质显著图形表示(THSGR)方法,以实现更加细致、准确的地表覆盖解释,并且在多个基准数据集上展示了该方法的性能。
Nov, 2023
本文提出了一种多视学习的稀疏编码方法,该方法无缝集成了 Hessian 正则化和判别式稀疏编码,可用于图像注释,通过对 PASCAL VOC'07 数据集进行广泛实验,表明了该方法的有效性。
Jul, 2013
本文介绍一种从异构数据扩充的视角出发的新型异构人脸识别方法 —— 具有身份属性解缠的人脸合成(FSIAD),在大量合成的图像中使用随机组合的解缠特征丰富图像属性的多样性,并将合成和原始图像同时用于训练网络,以提高异构人脸识别的性能。
Jun, 2022
该研究提出了一种双重生成模型,通过引入正面样本和负面样本,从而生成大量多样的异构人脸图像以训练异构人脸识别(HFR)网络,使其具有域不变且具有区分度的嵌入特征,并在多项挑战性数据库的 5 个 HFR 任务上实现了优越的表现。
Sep, 2020