Dec, 2016

野外人脸去遮挡的鲁棒 LSTM 自编码器

PDF
TL;DR本文提出了一个在野外环境中能够有效还原部分遮挡的面部的稳健 LSTM-Autoencoder（RLA）模型。其采用双通道 LSTM decoder 对遮挡部分逐步进行恢复，同时保证了身份信息的不丢失和面部识别准确性。在合成和真实数据集上的实验证明了我们提出的 RLA 在消除不同类型、不同位置的面部遮挡方面具有较大的性能优势，并且与其他抗遮挡方法相比，具有显着的识别性能提升。
face recognitionpartial occlusionlstm-autoencodersidentity-preserving adversarial trainingrecurrent occlusion removal
发现论文，激发创造
  • 遮挡图像分类的潜在增强自动编码器

    通过引入名为 LEARN 的基于自动编码器的网络，该网络可以在不修改分类模型权重的情况下将其合并到分类模型，该方法在大遮挡下的图像分类问题中的性能显著优于标准分类模型，并且比其他最先进的方法提高了 2% 至多达 5% 的分类准确率。

    Feb, 2024

  • 通过处理遮挡实现鲁棒的集成人员重识别的正交融合

    通过使用集成模型和深度神经网络结构，提出了一种在人员重新识别中处理遮挡的方法，该方法在低分辨率边缘摄像头上能够生成稳健的特征表示。实验结果表明，所提出的方法具有竞争力的排名 - 1 和 mAP 表现。

    Mar, 2024

  • 面部对齐，鲁棒姿态、表情和遮挡

    研究提出了一种基于鲁棒受限局部模型的集成，用于面部对齐，可以在存在显着遮挡和任何未知的姿势和表情的情况下实现。通过假设和测试搜索来评估 occlusion，结果表明在测试集中表现出一定的鲁棒性。

    Jul, 2017

  • 利用局部感知自编码器实现通用深度伪造检测

    通过提出一种局部感知自编码器及主动学习框架，为解决当前面临的深度伪造检测的泛化问题提供了一条新的途径，可以更加准确地针对伪造区域进行判别，从而提高残缺的检测能力。

    Sep, 2019

  • 基于时空特征的遮挡像素重建端到端框架用于改进行人再识别

    本研究提出了一种有效的 RGB 图像 / 视频的遮挡检测和重建框架，采用卷积神经网络进行遮挡检测，Conv-LSTM 和自编码器用于重建遮挡帧和使用条件生成对抗网络微调和修复重建的 RGB 帧，通过与其他先进技术比较分析，我们的方法在各种数据集上展现出鲁棒性，成为现实生活监控系统应用的优秀选择。

    Apr, 2023

  • 遮挡序列中步态周期重建和人体识别

    本文提出了一种用于步态识别的神经网络模型，采用 LSTM 预测每个遮挡帧的嵌入，然后融合两个 LSTM 的预测结果，该模型能够重构输入序列中的遮挡帧以提高步态识别准确率，并通过实验验证的测试结果表明，该方法在处理遮挡情况下的步态识别明显优于其他现有的方法。

    Jun, 2022

  • 分割重构引导的面部图像去遮挡

    本研究提出了一种基于人脸分割和三维人脸重建的面部去遮挡模型，通过预测面部先验和遮挡掩码实现了对所有种类的面部遮挡（包括毛发等较模糊的边界）的自动去除，并为了监督训练进一步构建了一个大型遮挡数据集。实验证明，该方法有效且鲁棒。

    Dec, 2021

  • 生成面部填充是否有助于人脸识别？

    本文探究面部完整性对面部识别的影响，提出了一种基于卷积算子和门控机制的面部完整性编码器 - 解码器，并对真实的遮挡情况进行了分析和实验验证，证明了面部完整性可以部分恢复面部信息从而提高机器视觉系统的面部识别准确率。

    Jun, 2019

  • 遮挡特征蒙版的端到端遮挡人脸识别

    采用端到端的神经网络方法，动态学习 mask，清除深度卷积网络中存在的遮挡干扰，并构造大量遮挡人脸图像，提高了人脸识别在遮挡情况下的准确性。

    Aug, 2021

  • 使用遮挡图和批量三元组损失增强用于人脸识别的卷积神经网络

    该文提出了一种简单的方法来学习人脸图像中对于识别最重要的部分并使卷积神经网络更好地学习所有区域的判别特征，同时，引入了一种新的损失函数 ——batch triplet loss，通过降低正负分数的标准差来改善 triplet loss 的性能，同时在 LFW 数据集中得到了显著的改进。

    Jul, 2017