人脸识别的多列网络

Jul, 2018

Multicolumn Networks for Face Recognition

Weidi Xie, Andrew Zisserman

TL;DR本论文旨在提出一种多列神经网络架构，它可以自适应地对输入的人脸图像集进行加权和校准，计算出一个固定大小的特征向量来代表整个集合，此举在人脸识别评测基准测试中的表现优异。

Abstract

The objective of this work is set-based face recognition, i.e. to decide if two sets of images of a face are of the same person or not. Conventionally, the set-wise feature descriptor is computed as an average of the descriptors from individual face images within the set. In this paper

set-based face recognition neural network architecture multicolumn networks visual quality content quality

发现论文，激发创造

改进基于多列卷积神经网络的人群计数学习

本文提出了一种新颖的多列互学习策略（McML）以改善人群计数中规模表示的不变性，指出现有的多列网络存在显著冗余参数的问题，且采用异步参数更新过程的 McML 可以更有效地减少参数的冗余性并改善泛化能力，实验证明该方法在各项挑战性基准上显著提高了原有的多列网络，同时优于其他最先进的方法。

Sep, 2019

紧凑深度汇聚用于集合检索

该研究旨在学习一种紧凑的嵌入方式，该嵌入方式适用于有效的检索和排序，同时保持各个描述符的可辨别性。作者提出了一种基于 CNN 网络的框架（SetNet），以实现该目标，并展示了它在人脸图像的检索上具有很好的效果。

Mar, 2020

基于多原型网络的非约束集合人脸识别

本文研究了非约束性基于集合的人脸识别问题，提出了一种新颖的多原型网络模型，该模型从媒体集合中自适应地学习多个原型人脸表示，通过密集子图学习子网来隐式地解开不一致的媒体，并学习一些代表原型。定量和定性实验清楚地证明了这种方法在状态 - 艺术上的优越性。

Feb, 2019

多尺度卷积神经网络用于人群计数

提出一种新型多尺度卷积神经网络（MSCNN）用于单张图像的人群计数，基于多尺度块，该网络能够生成与规模有关的特征以提高计数精度和鲁棒性，同时使用单列架构，更为精准和成本有效。实验证明，该方法的参数数量远低于现有的基于多列或多网络模型的方法，并且在计数精度和鲁棒性方面都优于现有的最先进方法。

Feb, 2017

比较器网络

本文设计了一种新型神经网络结构，称为 Deep Comparator Network，实现面部图像的两两比较，以得到相似度。经过较大规模测试集的比较，该方法明显优于以往技术并可以广泛应用于面部识别。

Jul, 2018

神经聚合网络用于视频人脸识别

本文介绍了一种神经汇聚网络（NAN）用于视频人脸识别，该网络由两个模块组成：特征嵌入模块和聚合模块，利用注意机制对变量数量的面部图像进行聚合，通过分类或验证损失训练 NAN 并打破 naive aggregation 方法的精度极限，达到了最先进的准确度。

Mar, 2016

多列深度神经网络用于图像分类

介绍了一种基于神经网络算法的计算机视觉和机器学习新方法，通过极小的感受野感知神经元构建深度神经网络来实现图像分类，相比于传统的方法显著提高识别性能

Feb, 2012

多模态深度面部表示的鲁棒人脸识别

本篇论文提出了一种使用多模式信息联合学习人脸表征的深度学习框架，该框架包括一组卷积神经网络和三层堆叠自动编码器，使用公开可用的数据集训练，取得了超过 99％的人脸识别率。

Sep, 2015

一个聚合的多列扩张卷积神经网络用于无视角计数

本文提出利用扩张滤波器来构建聚合模块，以实现无透视计数的多列卷积神经网络。实验证明，我们的方法在许多基准数据集上胜过现有技术，并且结合更高数量的列来使用我们的聚合模块对于多尺度计数是有益的。

Apr, 2018

视频人脸识别特征聚合网络

本文提出了一种基于元注意力聚合的方法来学习视频紧凑表示以实现视频人脸识别任务，并对其进行了实验验证和性能比较。

May, 2019