MMSep, 2016

姿态选择最大池化测量相似性

PDF
TL;DR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。
video-based face recognitionpose diversitydeep face featuressubject similaritygeometric cues
发现论文，激发创造
  • 基于时间特征对齐与互信息最大化的基于视频的人体姿态估计

    本研究提出一种分层对齐框架，对多帧人体姿态估计问题进行了深入研究，利用视觉证据、知识提取和互信息等方法，在 PoseTrack2017、Sub-JHMDB 和 Pose-Track2018 等数据集上取得了最先进的性能表现。

    Mar, 2022

  • 规范相关分析实现跨姿态人脸识别

    本文提出使用 CCA 来提高人脸识别中因姿势不同导致的严重不对齐问题，基于同一人多种姿势的图片集，通过两种姿势学习两个线性转换，来实现不同姿势之间的呈现一致性和鲁棒性。实验结果表明，本方法极大地提高了识别性能。

    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

  • 基于模板的人脸识别方法：使用池化的人脸图像

    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。

    Jul, 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

  • 利用学习的剪辑相似度聚合进行视频人员再识别

    该研究使用学习到的视频片段相似度聚合函数，以筛选出更具信息量的片段对，结合使用 3D CNNs 以及 RGB 输入，对三个具有挑战性的公开基准进行定量和定性验证，表现出更好或相当的性能。

    Oct, 2019

  • 从短序列预测人体 3D 姿势

    本文介绍一种利用视频序列中连续帧的运动信息来恢复人体 3D 姿态的高效方法，直接从时空块回归到中间帧的 3D 姿态，克服了模糊和提升了现有方法的性能。

    Apr, 2015

  • 视频监控场景下人脸识别方法的比较分析

    该研究针对人脸识别中的关键问题：人脸检测、人脸对齐和人脸识别，通过在同一骨干架构下进行面部识别方法的比较基准测试，提出了最新的人脸识别状态，针对红外图像、无遮挡、带口罩、戴眼镜等情况对不同的识别算法进行了评估。

    Nov, 2022

  • 寻找你的相似脸：测量面部相似度而非面部身份

    本文提出了新的面部相似度量化任务，区别于传统的面部识别，并介绍了针对该任务的新数据集与分类网络。

    Jun, 2018

  • 无监督视频理解 —— 通过协调姿态相似性

    采用基于视频序列的完全无监督深度学习过程，该过程可以描述一个活动的最基本组成部分，即单个姿势及其独特的过渡。

    Aug, 2017