基于深度残差学习的面部吸引力计算的标签分布
本论文通过在 AFLW 数据集和 300W-LP 数据集上实现的深度卷积神经网络架构,将面部姿态估计问题转化为标签分布学习问题来解决数据不足的问题,显著地优于其他流行方法。
Apr, 2019
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
本文演示如何使用深度卷积神经网络 (DCNN) 从嘈杂的标签中学习,并以面部表情识别为例。通过比较多数投票,多标签学习,概率标签绘制和交叉熵损失四种方法来利用多个标签,我们发现传统的多数投票方案表现不如完全利用标签分布的最后两种方法。此外,我们还向研究社区共享了一组多标签面部图像数据集。
Aug, 2016
该论文提出一种名为 DLDL(Deep Label Distribution Learning)的方法,通过最小化深度 ConvNets 预测和 ground-truth 标签分布之间的 Kullback-Leibler 散度来学习标签分布,有效地利用标签模糊性,并在训练集较小的情况下防止网络过度拟合,显著提高了年龄估计和头部姿态估计的结果,同时还改进了多标签分类和语义分割任务的识别性能。
Nov, 2016
通过利用自动编码器将面部图像向量转化为新的表示,本研究提出一种缩小有标签训练数据差距的方法,从而在无监督的人脸验证技术方面取得了 56%的 EER 相对改进,成功缩小了余弦和 PLDA 评分系统之间的性能差距。
Dec, 2023
本篇研究提出了一种基于深度卷积神经网络的关键点描述符提取算法,其能够高效提取面部特征从而替代传统方法 SIFT 和 HOG,并构建了一种基于回归的面部对齐算法,称为 LDDR,该算法在公开数据集上进行了验证,并有望在多种尺度、角度和遮挡下实现高精度的面部关键点的定位。
Jan, 2016
本文提出了一种基于异性球面高斯分布和网络的标签分布学习方法,以更准确地进行单张图片的人脸朝向估计,并在 AFLW2000 和 BIWI 数据集上创造了新的最优记录。
Aug, 2022