百万级人脸识别的公平竞争环境
论文提出了 MegaFace 数据集和 MegaFace 挑战,通过增加 gallery 集中的干扰数,评估算法的性能,结果显示在万级别规模下测试揭示了算法之间的大量性能差异,并且年龄和姿态不变性对大多数算法仍然具有挑战性。
Dec, 2015
研究者使用 Million 的人脸图像数据集,评估各种最先进的人脸识别算法的表现,并发现大规模情况下的性能变化,尤其是深度学习方法在大规模情况下依然表现良好,但对于规模的变化也变得不够鲁棒。研究者还通过机械土耳其进行了广泛人类研究,并报告了结果。
May, 2015
本研究提供新的百萬級別人臉識別測試基準,名為 WebFace260M,包括 4 百萬的姓名列表和 260 百萬的人臉圖像。使用此基準,研究人員開發了有效的分散式框架,並在各種環境中進行了全面的基準測試,顯示出極大的潛力。
Apr, 2022
本文提出了一个基于知识库的人脸识别基准任务,建立相关的数据集,通过该任务可以识别 100 万名人的面部图像,并将其链接到相应的实体密钥。我们提供了具体的度量集,评估协议以及训练数据,并报告了有前途的基线结果,将有助于图像字幕和新闻视频分析等实际应用。
Jul, 2016
该研究创建了一个新的百万级人脸基准数据集,包含清理后的面部图像,以及设计了一种时间约束的评估协议,建立了分布式框架以有效地训练人脸识别模型,并在 FRUITS 协议下建立了广泛的基准线。
Mar, 2021
该研究报道了大数据技术对人脸识别性能的影响,基于此构建了 Megvii 人脸识别系统,并在现实世界的安全认证场景中证明了其 99.50% 的准确率表现,并指出人工智能识别和人类识别之间仍存在巨大差距,未来在人脸识别领域仍需面对三个挑战,提出了可能的解决方案,希望能够激发学术界对于研究基准和实际应用之间的差异进行讨论。
Jan, 2015
本文通过对亿万级别的图片进行大规模的人脸识别实验,发现使用深度学习进行的人脸识别系统对于训练数据中的个体识别的准确率要高于其他个体,而目前的大规模人脸识别数据集的个人隐私意识缺失,对隐私造成了严重影响。
Jan, 2020
采用合成数据集进行人脸识别,通过数据扩充和精细控制属性可以显著减少真实与合成数据集之间的差异,并降低数据集的偏见和标签噪声问题,从而将识别错误率从 91.93% 降低到 96.17%,并在较少的真实样本上训练可与百万真实样本训练相媲美的识别效果。
Oct, 2022
COVID-19 疫情期间,佩戴口罩给基于深度学习的人脸识别算法带来了巨大的挑战。本文在 ICCV MFR WebFace260M 和 InsightFace 非约束场景两个赛道中提出了解决方案,关注了规模庞大的口罩人脸识别中的四个挑战,即超大规模训练、数据噪声处理、口罩和非口罩人脸识别准确性平衡以及如何设计易于推理的模型架构。我们希望本文对这四个方面的讨论能够指导未来研究朝着更强大的口罩人脸识别系统发展。
Oct, 2023
本文提出了一个脸部搜索系统,它使用快速搜索程序和 COTS 匹配器相结合的级联框架,通过卷积神经网络生成的深度特征来过滤大量的照片,并在 80 百万张网络下载的人脸图像的图库上对该系统进行了评估。
Jul, 2015