Jun, 2017

使用双分支深度卷积神经网络架构进行低分辨率人脸识别

PDF
TL;DR本文通过使用深度卷积神经网络和超分辨网络，提出了一种新的低分辨率人脸识别模型，并在 FERET 数据集上进行了评估，结果显示，相较于其他替代方法，本方法在特别是针对非常低分辨率的探测人脸图像时取得了显著的识别性能提高，并能在保证视觉质量等方面达到与超分辨率方法相当的低分辨率图像重建效果。
low resolution face recognitiondeep convolutional neural networkssuper-resolution networkimage reconstruction
发现论文，激发创造
  • 人脸识别的跨分辨率学习

    本文提出了一种训练方法来 fine-tune 现代的人脸识别模型，以帮助它们提取抗分辨率的深层特征，同时也考虑了高低分辨率和低质量人脸识别的问题，并展示了使用超分辨率技术进行预处理可以更有效地使用我们的方法。

    Dec, 2019

  • 基于增强式深度 3D 卷积神经网络的人脸表情识别

    本篇研究提出了在视频中进行情感识别的 3D 卷积神经网络方法，使用 3D Inception-ResNet 层及 LSTM 单元，从面部图像中提取空间关系和不同帧之间的时间关系，并利用面部关键点作为输入，该方法在四个公开数据库上的表现超过了现有最先进技术。

    May, 2017

  • 深度卷积网络图像超分辨率

    本文提出一种深度学习方法用于图像超分辨率，采用卷积神经网络直接将低分辨率图片转换为高分辨率图片，能够实现较快的速度和超强的恢复质量，扩展支持三种颜色通道同时处理。

    Dec, 2014

  • 深度三维人脸识别

    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

  • 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

  • 通过选择性知识蒸馏实现野外低分辨率人脸识别

    本研究提出了一种使用选择性知识蒸馏学习低分辨率人脸识别的方法，在损失性能的同时实现更高速度和更低内存消耗，通过优化图问题，选择性地从一个复杂的面部模型中提取最具信息量的面部特征来让一个简单的卷积神经网络完成相应识别任务。

    Nov, 2018

  • 深度循环回归用于面部关键点检测

    提出一种新颖的端到端深度架构用于面部标记检测，它基于卷积和反卷积网络，以及经过精心设计的循环网络结构，并在多个基准数据集上得到了比当前最先进方法更卓越的表现。

    Oct, 2015

  • 学习双卷积神经网络用于低层次视觉

    本文提出了一种通用的 DualCNN 卷积神经网络，用于解决低级别视觉问题，如超分辨率、边缘保留滤波、降雨和去雾。DualCNN 由两个并行的分支组成，分别恢复结构和细节，是低级别视觉任务的一种灵活的框架，可以轻松地集成到现有的 CNN 中。实验结果表明，DualCNN 可以有效地应用于许多低级别视觉任务，在性能方面优于现有的方法。

    May, 2018

  • 一种增强的交通环境低分辨率图像识别方法

    低分辨率图像识别中的关键在于特征提取，本文探讨了残差模块的基本维度及其对特征提取和计算效率的影响，并基于实验引入了一种双分支残差网络结构，结合常见特征子空间算法和中间层特征的利用，以提高低分辨率图像在交通环境中的识别精度，并通过知识蒸馏来减少网络参数和计算开销，实验证明该算法在低分辨率交通图像识别中的有效性。

    Sep, 2023

  • 卷积低分辨率细粒度分类

    使用高分辨率图像分类和卷积超分辨率技术相结合的方法，提出了一种用于解决低分辨率图像细节问题的端到端的深度模型，并在 Stanford Cars 和 Caltech-UCSD Birds 200-2011 数据集上进行了广泛的实验，结果表明该模型在低分辨率图像中能更好地分类细分类别。

    Mar, 2017