面部识别的特征转移学习与少样本数据
本文提出了一种通用表征学习框架来提高人脸识别的性能，包括合成训练数据、分割特征嵌入、用不同自信值调整训练的过程，以及通过正则化分类和对不同划分的变体进行对抗训练损失来减少相关性。实验结果表明，该方法在 LFW 和 Megaface 等人脸识别数据集上取得了最佳性能，而在 Tinyface 和 IJB-S 等极端数据集上表现显著优于其他方法。
Feb, 2020
本文提出了解决大规模人脸识别模型在存在类别不平衡数据时的训练问题的解决方案，包括面部特征提取模型和基于该模型的多分类模型，其中提出了一种新的监督信号（低频类别升级损失函数），在 MS-Celeb-1M 数据集上实现了优异的性能表现（94.89% 的测试图像被 99% 精度识别）。
Jul, 2017
本文研究了深度卷积网络在人脸识别中的性能，发现网络的 “瓶颈” 结构对于迁移学习具有重要作用，并提出了一种解决方法，即用自助法取代随机子采样；同时还发现了表示范数和目标域判别能力之间的联系，并基于这些发现，在目前最流行的人脸识别数据集 LFW 上取得了优秀的性能，甚至超越了商用系统。
Jun, 2014
通过使用数据增强技术和生成对抗网络模型，将初步训练的卷积神经网络与不同架构的预训练模型的方法应用于面部表情识别任务，使得模型的泛化能力得到提高，从而实现对面部表情的自动识别，准确率达到 85%。
Feb, 2024
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
本文讨论了学习通用人脸表征的最佳方法，介绍了用于面部表征学习的综合评估基准，研究了人脸表示学习的两种方法（监督和非监督预训练），并调查了训练数据集的重要特征，通过大量实验，发现无监督的预训练方法在各种人脸任务中表现出一致性和显著的准确性提高，同时也发现现有的一些人脸视频数据集存在大量的冗余。
Mar, 2021
通过特征水平领域自适应方法，该文提供一种学习判别式视频帧表示的方法，利用大规模无标签的视频数据，使得模型可以转移从大规模标记的静态图像中获得的判别性知识。实验表明，该方法可大幅度提升视频人脸识别性能，达到最先进的准确性。
Aug, 2017
提出一种名为 CoReFace 的新方法，它将样本引导的对比学习应用于特征表示学习，以在特征表示学习中直接规范图像级别关系。 CoReFace 的实验表明其与现有最先进方法具有极高的竞争力。
Apr, 2023
本研究采用各种经典策略验证了其在类不平衡数据的表示学习有效性，并展示了同时在和类内外保持间隔的约束下学习更具有区分性的深度表示的方法：Cluster-based Large Margin Local Embedding (CLMLE)，结合简单的 k 近邻聚类算法，改善了三维面部识别和面部属性预测任务中现有方法的准确性。
Jun, 2018