CVPROct, 2016

软间隔多特征核学习的领域自适应技术较深度学习更适用于监控人脸识别

PDF
TL;DR本研究提出了一种基于多特征核组合的新型软间隔学习方法，并使用领域自适应对特征进行转换，从而在三个真实的监控人脸数据集上优于许多最近的技术，以解决低对比度、噪声和光照条件下的人脸识别困难问题。
face recognitionbiometric-based surveillancedeep learningsoft-margin based learningdomain adaptation
发现论文，激发创造
  • 基于聚类的域自适应深度人脸识别

    本文提出了一种基于聚类的领域自适应方法，通过全局对齐特征域和本地区分目标聚类的方式来有效学习判别性目标特征，经过广泛的实验，证明了该方法在面部识别任务方面具有先进性能。

    May, 2022

  • 无标签视频中人脸识别的无监督域适应

    通过特征水平领域自适应方法，该文提供一种学习判别式视频帧表示的方法，利用大规模无标签的视频数据，使得模型可以转移从大规模标记的静态图像中获得的判别性知识。实验表明，该方法可大幅度提升视频人脸识别性能，达到最先进的准确性。

    Aug, 2017

  • DeepVisage：简单却具有强大的泛化能力的人脸识别技术

    本文提出并实现了一种基于单个卷积神经网络的人脸识别方法，使用残差学习框架和归一化特征计算损失，实验证明在不同数据集上具有较好的泛化性能。

    Mar, 2017

  • 面部识别联邦无监督领域自适应

    本文提出了一种联合优化聚类域自适应与联邦学习的方法来解决隐私约束下使用的人脸识别问题，并在新构建的基准测试数据集上进行了广泛的实验，证明在不同的评估指标上，该方法在目标域上的表现优于基线和经典方法 3％至 14％。

    Apr, 2022

  • 基于图像和视频的人脸反欺诈领域无关特征学习

    本文提出了一种基于条件分类器领域鉴别器的活体检测方法，该方法结合了梯度反转层，以产生具有鉴别性而又对环境光照、分辨率等因素具有鲁棒性的真人和虚假特征，该方法在图像和视频方面均优于现有的反欺诈技术。

    Dec, 2019

  • 深度人脸识别：一项综述

    本文全面回顾了深度人脸识别的最近发展，涵盖了算法设计、数据库、协议和应用场景等广泛主题，概述了不同的网络架构和损失函数，将相关的面部处理方法分为 “一对多增强” 和 “多对一归一化” 两类，并总结和比较了常用的数据库用于模型训练和评估，最后强调了技术挑战和几个有前途的方向。

    Apr, 2018

  • FAN: 特征适应网络用于监控人脸识别和归一化

    本文研究了监控图像中的人脸识别和规范化。 基于 Feature Adaptation Network 框架，本文提出了一种人脸规范化方法，该方法提取身份和非身份因素，通过调整身份因素的分布实现了对分辨率较低的人脸图像的超分辨率处理，进而提高监控图像中人脸识别的准确性。

    Nov, 2019

  • 基于领域自适应和数据偏差探索的睫差识别单次学习

    本文研究了使用深度学习算法处理生物识别任务时数据匮乏的情况，利用 CNN 网络在对少量样本进行培训的情况下，通过领域自适应和标准的计算机视觉算法的组合来实现生物识别任务，并探讨了 SIFT 算法在某些情况下的表现优于 CNN。

    Jul, 2023

  • 监控人脸识别挑战赛

    介绍了 QMUL-SurvFace benchmark，提供了低分辨率监控图像的面部识别挑战，利用五个具有代表性的深度学习面部识别模型进行了评估，结果表明目前的技术仍然远不能满足实际的刑事犯罪调查需求。

    Apr, 2018

  • Few-shot 自适应 Faster R-CNN

    提出一种名为 FAFRCNN 的基于源域数据训练的检测器的 few-shot adaptation 方法，通过配对机制和双层模块来实现对目标域中目标检测的准确性提高。

    Mar, 2019