Oct, 2017

深度学习模型对抗图像退化下的人脸识别优势和劣势

PDF
TL;DR本文通过使用野生标记人脸数据集（LFW）, 系统地研究了四种不同的深度卷积神经网络模型在面部识别任务中对图像质量、颜色信息、CNN 架构和描述符计算等不同协变量因素的影响，结果发现高噪声、模糊、缺失像素以及亮度对所有模型的识别准确性有不利影响，而对比度变化和压缩失真的影响有限，但同时发现描述符计算和颜色信息对性能没有显著影响，这对未来深度学习模型的进一步优化和改进提供了启示。
convolutional neural networksface recognitionimage qualitydeep learning modelsdescriptor computation
发现论文，激发创造
  • 图像退化如何影响基于深度卷积神经网络的人脸识别？

    本研究使用 LFW 数据集，评估了 AlexNet，VGG-Face 和 GoogLeNet 三种常见的深度卷积神经网络模型在不同图像降质情况下的表现，发现遮挡、运动模糊和噪声等因素会显著降低性能，而对于颜色失真和平衡变化等影响，深度卷积神经网络表现出较好的鲁棒性。

    Aug, 2016

  • 基于深度学习的人脸识别特征表示全面分析

    本文综合评估了基于深度学习的面部表示在不同条件下的性能，仍需预处理，如姿态和光照归一化以在各种条件下取得更好的性能。

    Jun, 2016

  • 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

  • 基于深度学习的人脸识别系统对抗性攻击的稳健性解析

    本文针对深度神经网络在人脸识别中的鲁棒性进行了研究，分析了深度学习算法的脆弱性，建立了分类器来检测对深度网络中隐藏层的攻击，并提出了多种方法来缓解攻击影响并提高神经网络的鲁棒性。

    Feb, 2018

  • 当人脸识别遇到深度学习：卷积神经网络在人脸识别中的评估

    本文通过使用公共的数据集 LFW，提出了三种最近的第一代 CNN 结构，研究了卷积神经网络应用于人脸识别的原因和设计，发现将多个 CNN 结构及度量学习的融合，可以提高 CNN-FRS 的性能并使得学习特征的维度可显著减小。

    Apr, 2015

  • 野外环境中面部图像质量对面部识别的影响研究

    深度学习在人脸识别领域近年来越来越受关注。大量的深度学习方法已被提出来解决面临的各种问题。然而，目前关于面部图像质量对深度学习方法和人类表现的影响的研究仍较少。因此，我们提出一个问题：在无约束条件下，面部图像质量对于基于深度学习的人脸识别仍然是一个挑战吗？基于此，我们对跨质量的人脸图像进行了评估，以评估深度学习方法在野外图像上的表现，并设计了一个人脸验证实验。结果表明，在深度学习中仍需要对图像质量问题进行深入研究，并且人类在建立具有大质量差异的不同人脸图像之间的关系方面具有更好的能力，称深度学习方法超过人类水平过于乐观。

    Jul, 2023

  • 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

  • 分析数据集偏差对深度人脸识别系统的影响的实证研究

    利用合成的面部图像研究数据集偏差对深度卷积神经网络的泛化性能的影响，发现数据集偏差对 DCNNs 的泛化性能有着显著的影响，提出的方法允许观察和比较不同 DCNN 架构的泛化性能，同时揭示了当前 DCNN 架构的主要局限性。

    Dec, 2017

  • 卷积神经网络方法的敏感性分析：嘈杂环境下的细粒度识别

    本文旨在研究在细粒度识别方面 CNN 输出对图像转换和噪声的敏感性，回答了如何预测 CNN 的敏感度并增强其稳健性，使用常用的 CNN 架构 (AlexNet、VGG19、GoogleNet) 进行了广泛的经验灵敏度分析，并表明了 VGG19 相比于 AlexNet 和 GoogleNet 更具有鲁棒性，但是即使对于 VGG19，微小的强度噪声也会导致 CNN 性能的巨大变化。

    Oct, 2016

  • 卷积神经网络在人脸反欺诈中的性能评估

    本文通过基于卷积神经网络的 Inception 和 ResNet 模型在 MSU Mobile Face Spoofing 数据库上的表现，研究了如何应用这些深度学习算法实现面部反欺骗的生物特征访问控制。

    May, 2018