监控人脸识别挑战赛
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
提出一种新的基于深度学习的 Complement Super-Resolution and Identity (CSRI) 模型,用于在低分辨率的大规模原始面部图像上进行人脸识别并构造了一个新的面向此类问题的数据集 TinyFace,与现有的基准数据集相比,TinyFace 的结果表明了该模型在解决低分辨率大规模面部图像人脸识别问题方面的优势。
Nov, 2018
COVID-19 疫情期间,佩戴口罩给基于深度学习的人脸识别算法带来了巨大的挑战。本文在 ICCV MFR WebFace260M 和 InsightFace 非约束场景两个赛道中提出了解决方案,关注了规模庞大的口罩人脸识别中的四个挑战,即超大规模训练、数据噪声处理、口罩和非口罩人脸识别准确性平衡以及如何设计易于推理的模型架构。我们希望本文对这四个方面的讨论能够指导未来研究朝着更强大的口罩人脸识别系统发展。
Oct, 2023
本论文概述了 2024 年 WACV 组织的 “合成数据时代的人脸识别挑战”(FRCSyn)的概况,该国际挑战旨在探索使用合成数据来解决人脸识别技术中的现有限制,包括数据隐私问题、人口偏见、未知场景的泛化能力和具有挑战性场景中的性能限制。FRCSyn 挑战的结果以及提出的基准显著地促进了合成数据在改进人脸识别技术中的应用。
Nov, 2023
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
面罩脸部识别(MFR)是生物识别中的关键领域,尤其是全球 COVID-19 疫情导致广泛戴口罩。本综述论文对具有面罩的个体识别和检测中的挑战和进展进行了全面分析,这一领域由于需要适应新的社会规范而发生了创新的变化。通过深度学习技术的先进和面蒙面识别(FMR)以及面部去蒙面(FU)代表着重要的研究领域。这些方法解决了由完全到部分遮挡面部特征所带来的独特挑战。我们综合审查了针对 MFR、FMR 和 FU 开发的各种基于深度学习的方法,突出了它们的独特挑战和应对方法。此外,我们还探讨了专门用于评估 MFR 研究性能的基准数据集和评估指标。该综述还讨论了研究人员在这一领域面临的重大障碍,并提出了未来进一步发展更稳健有效的面罩脸部识别系统的方向。本文为研究人员和从业者提供了宝贵的资源,洞察了面对全球卫生危机及其后果时面部识别技术的演变景观。
May, 2024
提出了一个用于多个挑战性情景的视频人脸识别的鲁棒且高效的系统,包括人脸 / 标志检测、人脸关联和人脸识别等模块,特别是针对多镜头视频设计了精心的人脸关联方法,采用一种基于无监督子空间学习方法和子空间到子空间相似度度量的人脸匹配器来识别人脸,广泛实验表明该系统可以准确地检测和关联未约束的视频中的人脸,并有效地学习到具有鲁棒性和区分性的特征用于识别。
Dec, 2018
该研究针对人脸识别中的关键问题:人脸检测、人脸对齐和人脸识别,通过在同一骨干架构下进行面部识别方法的比较基准测试,提出了最新的人脸识别状态,针对红外图像、无遮挡、带口罩、戴眼镜等情况对不同的识别算法进行了评估。
Nov, 2022