ECCVJul, 2018

从人脸识别到身份模型：一种贝叶斯方法学习如何从无监督数据中获取未知身份信息

PDF
TL;DR提出了一个结合了 Bayesian 模型的混合学习方法，可进行半监督下的面部识别并可以自适应地将身份与上下文相关联，同时也可以从未被标记的数据中自动学习新的身份信息。
face recognitionunsupervised learningbayesian modelsemi-supervised learningidentity association
发现论文，激发创造
  • 利用野外未标记人脸聚类来提高人脸识别效果

    研究提出一种基于极值理论的新颖身份分离方法，作为一种超分布检测算法，大大减少了重叠身份标签噪声所导致的问题，通过对余弦损失的调节，给出了聚类不确定性的估计，实验结果表明，该方法在受控和实际环境下比监督基线方法都有更好的性能。

    Jul, 2020

  • 统一身份认证和环境学习以进行人员识别

    本文提出了一种新的人物识别框架：区域注意力网络，它能够以实例相关的方式自适应地组合不同的视觉线索，并学习社交上下文和人物身份的推理，从而在复杂的环境中大幅提高了鲁棒性。

    Jun, 2018

  • 基于视频的无约束人脸识别自动化系统

    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

  • 利用不可识别人脸来提高人脸识别能力

    本文介绍了一个基于深度神经网络实现的面部图像嵌入方法，并提出了一种计算人脸图像可识别性的度量方法，将其应用到面部识别系统设计中，其中计算出的 “无法识别身份” 的距离被用于示例验证。在 IJB-C 身份验证基准测试中，本文方法将单图面部识别错误率降低了 58％（FAR = 1e-5），将集合识别错误率降低了 24％（FAR = 1e-5）。

    Jun, 2021

  • 使用未标记合成数据的无监督人脸识别

    本文提出了一种基于无标注的合成数据的无监督人脸识别模型 (USynthFace)，该模型使用大量的几何和颜色变换以及基于 GAN 的数据增强来训练，实现了相对较高的识别精度。

    Nov, 2022

  • 将未标记的数据融入贝叶斯神经网络中

    使用对比学习框架，提出一种适用于未标记数据的贝叶斯神经网络（BNNs）的先验分布，得到自监督学习的标签效率和贝叶斯方法的规范不确定性估计，最后证明了该方法在半监督学习和低预算主动学习问题中的数据效率优势。

    Apr, 2023

  • 在贝叶斯主动学习中更好地利用无标签数据

    全监督模型在贝叶斯主动学习中占主导地位，我们认为它们对未标记数据中的信息的忽视不仅损害了预测性能，也影响了关于获取哪些数据的决策。我们提出了一个简单的半监督贝叶斯主动学习框架，发现它比传统的贝叶斯主动学习或随机获取数据的半监督学习能够生成更好的模型。该框架也更易于扩展。除了支持向半监督模型的转变外，我们的发现还强调了研究模型和获取方法的重要性。

    Apr, 2024

  • 无监督学习人脸表征

    本文提出了一种无监督学习 CNNs 的方法，通过从视频帧中提取面孔对来获得受监督的训练数据并获得比手工制作特征和最先进的深度网络更高的低分辨率验证准确性，表明开发适用于姿势和光线变化的人脸验证模型是可行的。

    Mar, 2018

  • 借助机器学习算法进行遮面人脸识别的探索性研究

    本文介绍了一项关于带口罩可识别面部的研究，通过使用 6 种机器学习算法并生成遮面脸部图像，我们评估了这些算法在带口罩和不带口罩的情况下的识别表现。

    Jun, 2023

  • 带有约束条件的贝叶斯众包

    本文探讨半监督众包分类在标签约束和实例约束两种情况下的贝叶斯算法，该算法基于变分推断，可以比无监督众包分类更有效地对人工注释信息进行聚合，该算法在多个众包数据集上的分析和实证验证了其表现的可量化提升。

    Dec, 2020