本研究论文探索了面部聚类任务在从大规模数据中学习层次结构语义信息方面的潜力,并通过提出标签分类和监督对比聚类的联合优化任务的两种方式将聚类知识引入传统面部识别任务。通过将簇引导的角度边界扩展到 ArcFace 来根据面部聚类的难度级别调整类内特征分布,并提出了一种监督对比聚类方法来将特征拉向簇中心,并通过簇对准过程将簇中心与可学习的类中心在分类器中对齐进行联合训练。最后,对流行的面部基准进行了广泛的定性和定量实验,证明了我们范式的有效性以及在现有的面部识别方法上的优越性。
Dec, 2023
本文提出了一种名为 CCL 的基于聚类的对比学习方法,利用聚类得到的标签和视频约束来学习具有区分性的人脸特征,展示了该方法在视频人脸聚类的表征学习任务上的显著成果。
Apr, 2020
本文通过使用空间变换器层在卷积神经网络中进行端到端的面部识别学习,以逐步学习出最适合面部识别任务的几何变换和适当的面部区域,从而达到高精度面部识别的目的。
Jan, 2017
本文介绍了一种名为 FaceNet 的系统,其通过使用卷积神经网络及三元组学习法直接将人脸图像映射到紧凑的欧几里得空间中,使得人脸识别、验证和聚类等任务可使用 FaceNet 嵌入作为特征向量,仅使用 128 字节每个人脸即可实现最先进的人脸识别性能,其在 LFW 和 YouTube Faces DB 两个数据集上的表现都创造了最新纪录。同时,本文还提出了谐波嵌入的概念和谐波三元组损失,以描述不同网络产生的面部嵌入版本以及它们之间的直接比较。
Mar, 2015
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
通过两种不同的学习模式来探究通过特征定位的方式学习到的特征,在医学和自然数据集上的分析表明了层级学习策略的优越性,本研究显示级联学习是一种有前景的区域预测方法,并在 YOLO 目标检测框架上显示出比端到端方案提升了 2% 的 mAP。
Nov, 2023
通过优化高维空间中的特征余弦相似度,该论文提出了一种深度学习算法 COCO,用于同时优化同类内的特征聚合和不同类之间的特征区分能力,实现了稳定收敛的端到端学习,并在五种基准测试中证明了其在小规模分类和大规模人体识别问题上的有效性。
Oct, 2017
本文提出了两种交叉中心差异卷积(C-CDC)和一个强大的双交叉中心差异网络(DC-CDN),包括交叉特征交互模块和面部交换增强策略,提高了人脸反欺诈的性能。
May, 2021
本文介绍了一个统一框架来理解超球面人脸识别中的大角度间隔,进一步扩展了 SphereFace 的研究并提出了一个稳定性较好的改进版,结果表明这个改进版在识别准确率上比当前最先进的方法更好或竞争力更强。
Sep, 2021
本文提出基于余弦相似度的大间距余弦损失函数,提高了人脸识别深度卷积神经网络的性能,在 MegaFace Challenge、Youtube Faces、Labeled Face in the Wild 等公共数据集上达到了最先进的表现。
Jan, 2018