面部解析的联合卷积神经网络
提出了一种基于 Spatial Transformer Network 的 end-to-end 面部分割框架,称为 STN-iCNN,通过在两个分离的训练阶段之间添加 STN,将原始 two-stage iCNN 连接起来,从而显着提高了面部分割的准确性。
Feb, 2020
本研究提出了一种结合深度反卷积神经网络和卷积神经网络的新型神经网络,以实现场景解析。与卷积神经网络相比,反卷积神经网络在学习高阶图像结构方面表现更好。多补丁训练可以从场景中有效地学习空间先验知识。本方法在四个场景解析数据集上均取得了最先进的性能,并具有完全自动化的训练系统,无需后处理。
Nov, 2014
通过循环卷积神经网络的方法,可在不依赖于分割方法和任务特定特征的情况下,对图像里的所有像素赋予分类标签,并且无需在测试时像其他方法那样昂贵,因此可在 Stanford Background 数据集和 SIFT Flow 数据集上获得最先进的性能。
Jun, 2013
本文提出一种使用单个深度卷积神经网络进行人脸检测,人脸对齐,姿态估计,性别识别,微笑检测,年龄估计和人脸识别的多用途算法,通过多任务学习框架实现了对 CNN 模型的共享参数的规范化,并在不同领域和任务之间建立协同关系,实验结果表明该网络对人脸具有更好的理解,并在大多数任务方面实现了最先进的结果。
Nov, 2016
本文提出了一种精确可扩展的面部聚类方法,将任务表述为链接预测问题,并构建子图进行推理。实验表明,该方法对于面部复杂分布更为稳健,可扩展到大数据集,并且不需要先验聚类数量,能够检测噪音和异常值,并且可扩展到多视角版本以获得更准确的聚类精度。
Mar, 2019
本文通过基于卷积神经网络的 Inception 和 ResNet 模型在 MSU Mobile Face Spoofing 数据库上的表现,研究了如何应用这些深度学习算法实现面部反欺骗的生物特征访问控制。
May, 2018
本研究提出了一种基于卷积神经金字塔(CNP)框架的、旨在解决低层次视觉和图像处理任务的方法,可实现低计算复杂度下大感受野视觉处理。此方法适用于图像复原、填补、降噪、去除伪影、边缘升华、滤波、增强和上色等应用领域。
Apr, 2017