基于模板的人脸识别深度异质特征融合
本文提出了一种使用深卷积神经网络和 3D 数据扩增技术的新型 3D 人脸识别算法,表明 2D 人脸图像 CNN 训练的迁移学习可以有效用于 3D 人脸识别,同时采用一种 3D 人脸扫描的数据扩增技术,可以改进 3D 人脸识别的性能。
Mar, 2017
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
本篇研究论文介绍了一种深度学习系统,基于卷积神经网络,包括面部检测、定位、对齐和验证模块等,用于非约束性人脸识别。研究使用 IARPA Janus 基准数据集 A, JANUS 挑战集 2 和 LFW 数据集进行了数量化的性能评估,并讨论了 DCNN 面部验证问题的一些开放性问题。
May, 2016
本文提出了一种基于联合深度学习的异构人脸匹配方法,该方法通过在特征空间中寻找共享特征空间,将异构人脸匹配问题近似为同质人脸匹配问题。实验结果表明,该方法可以在具有挑战性的 CASIA NIR-VIS 2.0 人脸识别数据库以及 IIIT-D Sketch 数据库、CUHK Face Sketch(CUFS)和 CUHK Face Sketch FERET(CUFSF)等数据库上实现更好的性能。
Apr, 2017
本文探讨了一种基于深度神经网络的人脸识别方法,针对面部不同位置的姿态变化,在训练数据相对不足的情况下,通过生成非正面视图,提高了数据多样性,并利用特征重建度量学习来显式地分离身份和姿态,实现了不变性和识别准确性。
Feb, 2017
本文提出了一种基于深度卷积特征的无限制人脸验证算法,并在 IARPA Janus 基准数据集上进行了评估。实验结果表明该算法在包含 500 个受试者的真实世界无约束面部图像上具有很好的性能。
Aug, 2015
本研究采用深度卷积神经网络(CNN)学习特征,在经过数据预处理后,能够大幅提高面部防欺诈性能,使得在 CASIA 和 REPLAY-ATTACK 数据集中相对错误率降低超过 70%,同时在两个数据集之间的交叉测试中,实验结果表明 CNN 能够获得更好的泛化能力,使用两个数据集的组合数据训练的网络在两个数据集之间具有更少的偏差。
Aug, 2014
本篇论文提出了一种使用多模式信息联合学习人脸表征的深度学习框架,该框架包括一组卷积神经网络和三层堆叠自动编码器,使用公开可用的数据集训练,取得了超过 99%的人脸识别率。
Sep, 2015
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
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