低质量图像中人脸检测综述
本论文主要研究如何利用检测因素来提高基于深度学习的人脸识别在低质量图像下的识别准确率,通过利用 MS-Celeb-1M 数据集并对 VGGFace2 数据集进行微调,达到了 SCFace 和 ICB-RW 基准测试的最新水平。
Jul, 2019
本文的研究主要关注在低质量照片中的人脸识别,作者从三个不同的质量数据集中进行了实验并使用先进的面部图像增强方法来提高识别的准确性,最终提出了一种新的低质量面部图像识别协议并得到实验验证。
Jul, 2023
本文综述了过去五年中低分辨率人脸识别的各种方法及相关工作,涉及视频监控、超分辨率、去模糊等技术,并对数据集和实验设置进行了描述,最后总结了一般限制和未来努力的优先事项。
May, 2018
本文提出了一种基于锚点的深度人脸检测器,通过在 hard images 上学习 small faces,并采用新型的 hard image mining 训练方法,在 WIDER FACE、FDDB、Pascal Faces 和 AFW 数据集上进行了实验,证明了该方法对 hard faces 检测的有效性。
Nov, 2018
本文介绍了基于深度学习的人脸检测方法,并详细分析了其准确性和效率,同时对多个数据集和评估指标进行了比较和讨论,旨在指导如何选择适合不同应用的人脸检测器并开发更加高效和准确的检测器。
Dec, 2021
本文分析在野外捕捉到的低质量条件下的人脸识别技术,提出了超分辨率方法、深度学习和有监督的判别学习方法来处理这个问题,并在 SCFace 和 UCCSface 数据集上进行了评估。
May, 2018
本文提出一种深层级联多任务框架,通过三层深度卷积神经网络的分级设计,在对人脸和人脸特征区域进行预测的粗到细的过程中,利用其中的内在相关性以提高人脸检测和特征点定位的性能,在学习过程中还采用一种新型的在线困难样本挖掘方法,能够自动提高性能而无需手动样本选择。
Jan, 2022
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
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。
Oct, 2017
这篇研究论文旨在通过详细的基准测试来检查商业和学术模型的人脸检测问题,特别关注这些系统对于不同身份的人的鲁棒性和公平性的问题,结果发现西方男性、年龄偏大、皮肤较暗和光照条件较差的人更容易受到错误的影响。
Nov, 2022