May, 2017

基于 CNN 的人脸验证的注意事项

PDF
TL;DR本论文探讨了人脸识别方面的几个问题，例如如何在图像和视频里训练系统、深度数据集是否比宽度数据集更好、添加标签噪音是否可以提高深度神经网络性能以及对齐是否对于人脸识别必须。作者在 CASIA-WebFace、UMDFaces 和新的视频数据集上训练了 CNN，并在 YouTube-Faces、IJB-A 和 UMDFaces 的不相交部分上测试。他们的新数据集包括 22,075 个视频和 3,735,476 个人工注释的帧。
发现论文，激发创造
  • 使用深度卷积神经网络进行基于静态和视频的人脸验证

    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

  • 有效的人脸识别，是否真的需要收集数百万张人脸？

    提出使用面部合成的方法，而非手动标注更多面部图像，从而增加面部识别系统的训练数据，并将其应用于卷积神经网络，获得与数百万下载图像训练的系统报告的最新结果相匹配的性能表现。

    Mar, 2016

  • 从零开始学习面部表征

    该研究提出了一种半自动方式从互联网收集人脸图像并构建了一个包含大约 10000 个主体和 500000 个图像的大规模数据集，命名为 CASIAWebFace，使用该数据库，我们使用一个 11 层 CNN 学习区分性表示并获得在 LFW 和 YTF 上的最新准确性。

    Nov, 2014

  • 使用深度卷积神经网络特征进行无约束人脸验证

    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

  • 深度学习与人脸识别：现状

    本文介绍了深度学习技术在人脸识别领域中的应用和进展，提出了需要更大和更具挑战性公共数据集的必要性，以及可以提供这样数据集的机构。

    Feb, 2019

  • 无监督学习人脸表征

    本文提出了一种无监督学习 CNNs 的方法，通过从视频帧中提取面孔对来获得受监督的训练数据并获得比手工制作特征和最先进的深度网络更高的低分辨率验证准确性，表明开发适用于姿势和光线变化的人脸验证模型是可行的。

    Mar, 2018

  • 人脸检测、识别和验证的快速准确系统

    本文提出了一种使用深度神经网络技术实现的、适用于各种人脸检测和识别的解决方案，包括面部检测、特征定位和人脸验证等环节，并在许多测试数据集上达到了最新水平。

    Sep, 2018

  • 在真实场景中检测卷积神经网络生成的人脸图像

    研究表明，基于 CNN 的检测方法在现实场景中的鲁棒性还不足，本研究提出了一个跨模型、跨数据和后处理评估框架，并评估了最先进的检测方法，同时还探讨了常用的图像预处理方法及人类对于 CNN 生成图像的检测表现及影响因素。

    May, 2020

  • 人脸识别的 Web 规模训练

    本文研究了深度卷积网络在人脸识别中的性能，发现网络的 “瓶颈” 结构对于迁移学习具有重要作用，并提出了一种解决方法，即用自助法取代随机子采样；同时还发现了表示范数和目标域判别能力之间的联系，并基于这些发现，在目前最流行的人脸识别数据集 LFW 上取得了优秀的性能，甚至超越了商用系统。

    Jun, 2014

  • UMDFaces: 用于训练深度网络的带注释的人脸数据集

    通过引入新的人脸数据集 UMDFaces, 我们提出了一种基于深度网络和人工标注组合的大规模人脸数据集收集和注释方法，数据集中包含 367,888 张标注的人脸图像和 8,277 个独立人物的信息，并借此新数据集和评价方法推进了人脸识别技术的发展。

    Nov, 2016