Mar, 2018

使用深度卷积神经网络进行耳部识别的域自适应

PDF
TL;DR本文研究了无约束耳辨识问题，并证明了当使用深度卷积神经网络模型进行耳辨识时领域适应的重要性。通过收集新的耳朵数据集，混合不同的深度卷积神经网络模型来进一步提高性能，分析了耳像质量对分类性能的影响。通过在 UERC 数据集上进行实验验证，实验结果表明，领域适应会带来显著的性能提升，并且图像质量对结果有影响。对不同数据集存在偏差的问题进行分析，结果表明耳辨识数据集之间存在较强的偏差。
发现论文，激发创造
  • 基于聚类的域自适应深度人脸识别

    本文提出了一种基于聚类的领域自适应方法，通过全局对齐特征域和本地区分目标聚类的方式来有效学习判别性目标特征，经过广泛的实验，证明了该方法在面部识别任务方面具有先进性能。

    May, 2022

  • 基于领域自适应和数据偏差探索的睫差识别单次学习

    本文研究了使用深度学习算法处理生物识别任务时数据匮乏的情况，利用 CNN 网络在对少量样本进行培训的情况下，通过领域自适应和标准的计算机视觉算法的组合来实现生物识别任务，并探讨了 SIFT 算法在某些情况下的表现优于 CNN。

    Jul, 2023

  • 深度神经网络无监督域适应

    本文介绍了现有的领域自适应方法的分析，提出了一种新的方法，证明了在不同领域中改进视觉识别任务的潜力，为领域自适应领域的进一步研究和发展开辟了机遇。

    Jul, 2023

  • 监督深度卷积模型的单次适应

    本文探讨了深度卷积神经网络是否能解决数据集偏差问题以及在新领域适应的方法，并且通过实验展示了在可视化领域适应数据集能提高深度模型识别性能。

    Dec, 2013

  • 耳部图像的年龄和性别分类

    本研究通过深度卷积神经网络方法和基于几何和外观特征的方法对耳部图像进行建模，以进行性别和年龄分类。我们利用了几何特征和外观方法的混合模型，其中一些知名的卷积神经网络模型包括 AlexNet、VGG-16、GoogLeNet 和 SqueezeNet。实验结果表明，采用外观的方法比基于几何的方法更有效，并且我们在性别分类中达到了 94％的精度，而在年龄分类中只达到了 52％的精度。

    Jun, 2018

  • 基于深度耳部生物特征的性别分类

    基于生物特征的人类性别分类是计算机视觉领域的一个重要问题，本研究使用深度卷积神经网络模型对耳部图像进行自动性别分类，通过在 EarVN1.0 耳朵数据集上进行评估，准确率达到 93%。

    Aug, 2023

  • 无监督领域分离网络的自适应算法用于强化语音识别

    本文提出了一种基于深度神经网络的非监督领域自适应技术，该技术通过训练既能执行音素分类，又能执行领域分类的 DNN 模型，并明确建模两个域之间的不同之处，可以在 CHiME-3 数据集上实现接近 11.08％的相对词错误率（WER）降低。

    Nov, 2017

  • 深度视觉领域自适应：一份综述

    本研究提供了关于计算机视觉领域中，基于深度学习的深度域适应方法的全面概述，分类不同的深度域适应情景，总结了深度域适应方法，重点分析比较了各种情况下的最先进方法，并着重强调了当前方法的潜在缺陷和未来几个方向。

    Feb, 2018

  • 多模态年龄和性别分类：使用耳朵和侧脸图像

    本文提出了基于多模态深度神经网络框架的人脸及耳朵综合识别系统，通过探索不同的多模态策略和领域适应技术，同时结合面部及耳部图像信息，成功实现了高精度的年龄和性别识别。

    Jul, 2019

  • ImageNet 模型选择对领域自适应的影响

    本文研究了来自十六个不同的预训练 ImageNet 模型的特征对于迁移学习领域适应问题的影响，并找到了最佳的特征提取层，实验表明，精度较高的 ImageNet 模型产生的特征能够更好地适应领域迁移问题并取得更高的精度，其表现超过了三个基准数据集中的最优算法。

    Feb, 2020