本文提出并实现了一个通用的卷积神经网络（CNN）构建框架，用于设计实时 CNN。我们通过创建一个实时视觉系统来验证我们的模型，在一个混合步骤中同时完成面部检测、性别分类和情感分类的任务。我们提供了训练过程设置的详细信息，并在标准基准集上进行了评估，报告了 IMDB 性别数据集中 96% 和 FER-2013 情感数据集中 66% 的准确性。此外，我们还介绍了最近的实时启用的引导反向传播可视化技术。引导反向传播揭示了权重变化的动态，并评估了学习到的特征。我们认为，仔细实施现代 CNN 架构、使用当前的正则化方法和可视化以前隐藏的特征对于缩小慢速性能和实时架构之间的差距是必要的。我们的系统通过在 RoboCup＠Home 比赛中使用的 Care-O-bot 3 机器人上部署进行了验证。我们的所有代码、演示和预训练的架构都在我们的公共存储库中以开源许可证发布。

Oct, 2017

本文提出了一种基于注意力网络和残差卷积网络集成的深度学习框架，可以高精度地预测面部图像的性别和年龄组，并通过可视化模型的注意图证明其能够敏锐地监测到面部适当部位，同时，在多任务学习方面得到了不错的成果。

Oct, 2020

本文提出一种使用单个深度卷积神经网络进行人脸检测，人脸对齐，姿态估计，性别识别，微笑检测，年龄估计和人脸识别的多用途算法，通过多任务学习框架实现了对 CNN 模型的共享参数的规范化，并在不同领域和任务之间建立协同关系，实验结果表明该网络对人脸具有更好的理解，并在大多数任务方面实现了最先进的结果。

Nov, 2016

本文介绍了一种简化的本地深度神经网络方法，通过仅使用 9 个覆盖整个面部区域的重叠图像块，降低了训练时间，同时性能略有降低，试验表明眼部区域有助于性别识别，口部和眼睛区域对年龄识别有用。

Mar, 2017

通过使用深度卷积神经网络模型，对于人脸图像中的年龄和性别的识别，使用特征相似的 VGG-Face 模型提高了 7% 和 4.5% 的准确性，同时比使用特定任务的 GilNet 模型表现更佳。

Oct, 2016

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

通过将三维面部模型与深度学习方法相结合，本研究提出了一种新的方法来增强面部分类和识别任务，从而精确分析和分类面部属性。使用三维面部模型提取各种任务的最有用信息，从而提高了分类准确性。将三维面部洞察力与 ResNet 结构相结合，本方法取得了显著的结果：100％个体分类准确性，95.4％性别分类准确性和 83.5％表情分类准确性。这种方法有望推进面部分析和识别的研究。

Dec, 2023

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

研究通过利用卷积神经网络的新架构 —— 双线性 CNN (B-CNN)，在 IARPA Janus 基准测试集上进行面部识别，实现了额外的性能提升，并将标准 CNN 与 VGG-Face 模型进行比较。

Jun, 2015

该论文旨在通过结合自注意力和双向 LSTM 方法，提出了一个混合模型来解决年龄和性别分类问题，并与现有的先进模型进行对比，结果显示该模型在年龄和性别分类方面分别比先前的模型提高了约 10% 和 6%，表现更好，具有更广泛的学习能力，可应用于各种图像处理和计算机视觉问题中。

Mar, 2024