CVPRJul, 2016

基于模板的人脸识别方法：使用池化的人脸图像

PDF
TL;DR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。
face recognitiontemplate matchingaverage poolingimage qualityhead pose
发现论文，激发创造
  • 人脸验证和识别的模板适配

    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。

    Mar, 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

  • 姿态选择最大池化测量相似性

    本研究针对视频人脸识别中的身份相似度计算中的两大挑战：头部姿态在未受控制的环境下的变化和视频处理的计算复杂度，提出通过保留视频的整体姿态和距离以及减少深度特征分析，测评视频身份相似度的算法，可以达到与 VGG-face 相当的识别率，并在其他视觉任务中也能受益于使用几何线索来提高深度特征的描述能力。

    Sep, 2016

  • 使用深度多姿态表示进行人脸识别

    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

  • 以深度嵌入为手段实现极致准确性：人脸识别

    本文提出了一种基于 CNN 和度量学习的两阶段方法，以实现面部验证和识别。实验表明，该方法优于其他最先进的方法，获得 99.77% 的成对验证准确度，并在其他两个更实用的协议下获得更好的准确度。本文也讨论了数据大小和补丁数量的重要性，展示了通往实际高性能面部识别系统的明确途径。

    Jun, 2015

  • 大规模探测的人脸识别：聚类和聚合

    本文提出了一种两阶段的特征融合范式，Cluster 和 Aggregate，用于无约束人脸识别，它能够适应大规模输入，维护顺序不变性，并通过聚类特征进行序列推理。实验结果表明，所提出的范式在无约束人脸识别中具有优越性。

    Oct, 2022

  • 人脸检测、识别和验证的快速准确系统

    本文提出了一种使用深度神经网络技术实现的、适用于各种人脸检测和识别的解决方案，包括面部检测、特征定位和人脸验证等环节，并在许多测试数据集上达到了最新水平。

    Sep, 2018

  • 有效的人脸识别，是否真的需要收集数百万张人脸？

    提出使用面部合成的方法，而非手动标注更多面部图像，从而增加面部识别系统的训练数据，并将其应用于卷积神经网络，获得与数百万下载图像训练的系统报告的最新结果相匹配的性能表现。

    Mar, 2016

  • 大规模人脸搜索：8000 万图库

    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

  • 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