May, 2018

层次化表示学习在亲属关系验证中的应用

PDF
TL;DR该研究通过人类研究和基于过滤器和压缩正则化惩罚的新颖特征表示方法（fcDBN）提出一种层次化的亲属验证方法，并使用 WVU 亲属数据库验证其在人脸验证中的性能提升。
kinship verificationrepresentation learningfiltered contractive deep belief networkswvu kinship databaseface verification
发现论文，激发创造
  • 基于图的亲属关系推理网络

    本文提出了一种基于图像的亲属关系推理（GKR）网络，用于亲属关系验证。该方法构建一个亲属关系图，通过递归消息传递在该图上进行关系推理，并通过对提取的特征对进行比较和融合来推理亲缘关系。在 KinFaceW-I 和 KinFaceW-II 数据集上进行的广泛实验结果表明，该方法优于现有方法。

    Apr, 2020

  • 通过多尺度 Retinex 和深浅特征提高亲属验证

    运用多尺度 Retinex 前处理方法，结合深浅纹理描述符，通过逻辑回归方法在评分水平上巧妙地融合，从而提高图像质量和对比度，从而在亲缘验证方面取得了鲁棒性和效果优异的结果。

    Dec, 2023

  • 融合深度和浅层特征用于人脸亲属关系验证

    本文通过 Multiscale Retinex 技术提升图像质量，并结合深度和浅层纹理描述符通过逻辑回归方法在得分级别上进行联合，实现了面部图像的亲属关系验证。作者通过对 Cornell Kin Face、UB Kin Face 和 TS Kin Face 等三个具有挑战性的亲属关系数据集进行了全面的实验，评估了该方法的有效性。

    Dec, 2023

  • 人脸成分关系下的亲属关系表示学习

    本文提出了一种基于面部部件关系网络和交叉注意机制的亲属关系识别方法 FaCoRNet，能够更准确地识别亲属关系，取得了最大的公开数据集 FIW 上最优的成果。

    Apr, 2023

  • 强大的亲属验证的新方法：色彩 MS-BSIF 特征学习

    该论文提出了一种新的方法，用于基于面部图像从血统上验证亲属关系，并确定这种基因关系的准确类型或程度。使用 LBP 和颜色 BSIF 学习特征进行比较和 TXQDA 方法进行降维和数据分类。实验结果证明了我们框架的可靠性，并超越了其他最先进技术的性能。

    Dec, 2023

  • 使用 1DCNN 注意力网络从 rPPG 进行亲属验证

    使用远程光电容积描记法（rPPG）信号进行面部亲缘关系验证的研究。提出了一种一维卷积神经网络（1DCNN）与 1DCNN-Attention 模块和对比损失相结合的方法，通过从不同 ROI 提取的多个 rPPG 信号为输入，学习亲缘相似性。最终，该方法在不同亲缘关系的 UvANEMO 微笑数据库上进行评估，展示了 rPPG 信号在验证亲缘关系中的实用性。

    Sep, 2023

  • KFC: 基于公平对比损失和多任务学习的亲属验证

    我们提出了一个名为 KinRace 的更大且完整的数据集，结合了现有的亲属关系数据集，并为每个身份标记了正确的种族信息；我们还通过引入多任务学习模型结构和注意力模块来提高准确性；最后，我们使用公平感知对比损失函数和对抗性学习来减轻种族偏见。通过详尽的实验评估，我们证明了所提出的 KFC 方法在标准差和准确性方面的有效性和卓越性能。

    Sep, 2023

  • 面部预处理技术在基于张量分析的稳健亲属关系验证中的威力

    使用野外拍摄的面部照片进行亲属关系验证是计算机视觉科学中的研究难点之一，本研究介绍了一个基于面部图像的亲属相关性检查系统，通过面部预处理、特征提取和降维等方法，有效地提高了亲属关系验证的效率。

    Dec, 2023

  • 基于联合学习的亲属关系识别：利用亲属验证集成

    本文提出了一种新的亲属关系识别方法，该方法基于关系验证集合和分类模块的联合训练，并建议将训练数据集重新平衡以更符合真实分布。在大规模实验中，该方法对于亲属关系的识别具有较好的性能表现，并且同一数据集上基于该方法训练的亲属关系验证也实现了显著性能提升。

    Apr, 2020

  • 三主体亲属关系验证：理解家庭核心

    本文研究了多个视觉体之间的关系问题，如在一张照片中的孩子是否属于给定的父母，提出了相对对称双线性模型 (RSBM)、空间投票方法和大规模的三主体亲属数据库，并在多个数据库上进行了实验，证明了所提方法的有效性。

    Jan, 2015