Oct, 2018

基于集合的人脸识别中的 GhostVLAD

PDF
TL;DR本文旨在针对模板基础人脸识别问题，提出了一种图像集的紧凑表示方法；基于深度卷积神经网络产生的人脸描述符，该方法利用网络架构进行聚合嵌入，生成了一种紧凑且固定长度的表达形式，该表达形式需要最小的内存存储并能够进行有效的相似性计算；同时还提出了包含 “幽灵簇” 的新型 GhostVLAD 层，该层能够使输入的高质量图像比低质量图像更具信息量，增强了网络处理低质量图像的能力；最后，我们在 IJB-B 人脸识别数据集上训练的模型比目前的最先进模型性能更高，且在身份识别和验证协议上均超过了先前的最高水平。
template-based face recognitiondeep convolutional neural networkscompact representationghostvlad layerijb-b face recognition dataset
发现论文，激发创造
  • NetVLAD：用于弱监督地点识别的 CNN 架构

    本文提出了一个新的卷积神经网络结构 NetVLAD，通过基于新的弱监督排序损失的训练过程，从 Google 街景中的时间机器下载的图片中，快速和准确地识别所查询照片的位置。同时，该网络结构在两个具有挑战性的地点识别基准测试中优于非学习图像表示和现成卷积神经网络描述符，同时也改善了标准图像检索基准测试上的现有最先进的紧凑图像表示。

    Nov, 2015

  • 基于深度卷积神经网络和 VLAD 空间金字塔的交通场景识别

    本文通过将基于区域提案算法生成的图像块的 CNN 特征应用于 VLAD 编码再进行空间金字塔编码，从而实现在 10 种交通场景分类上的应用。

    Jul, 2017

  • 3D PersonVLAD: 学习深度全局表示进行基于视频的人员再识别

    本研究提出了一种全局视频表示法，用于基于视频的人员重新识别，并通过 3D PersonVLAD 模型中的全局视频表示法，结合 3D ConvNets 和 3D 局部对齐模块来捕捉全长视频中的外观和运动动态，最终取得了最先进的结果。

    Dec, 2018

  • 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

  • 人脸验证和识别的模板适配

    本研究旨在解决模板适应性问题，结合深度卷积神经网络和模板特定的线性 SVM，发现其在模板之间迁移的情况下可以显著提高面部识别性能，而这种方法较之传统的二维和三维对齐方法结果相当。

    Mar, 2016

  • 人脸识别的多列网络

    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。

    Jul, 2018

  • GroupFace: 学习潜在群体及构建基于群体的人脸识别表示

    提出了一种名为 GroupFace 的面部识别特定的网络结构，利用多个分组感知表示同时提高嵌入特征的质量，并通过提供自分布标签来证明其有效性，同时学习可以缩小目标身份搜索空间的分组感知表示，最终在多个公共数据集上实现了 1:1 面部验证和 1:N 面部识别任务的显着改进。

    May, 2020

  • 基于密集属性特征图的加权 VLAD 人群计数

    本文提出了一种在学习局部感知特征集时融入语义信息的方法，使用卷积神经网络将原始像素空间映射为密集的属性特征图，并提出使用邻域补丁上空间金字塔的 LAF 来探索更多的空间上下文和局部信息，通过扩展传统的 VLAD 编码方法，将多样的系数权重考虑进去。实验证明了所提出的方法的有效性。

    Apr, 2016

  • NeXtVLAD：一种高效的神经网络，用于聚合基于帧的特征，实现大规模视频分类

    介绍了一种快速高效的网络结构 NeXtVLAD，用于将帧级特征聚合成一个紧凑的特征向量以进行大规模视频分类，在第二个 Youtube-8M 视频理解挑战中，单个 NeXtVLAD 模型只使用少于 80M 的参数就实现了 0.87846 的 GAP 分数，在 394 个团队中排名第 3。

    Nov, 2018

  • 深度神经网络进行的人脸识别（DeepID3）

    本篇论文提出使用 DeepID3 算法来进行人脸识别，使用了卷积神经网络和 Inception 层，并采用监督信号技术来训练神经网络，最终取得了 99.53% 的 LFW 人脸验证准确率和 96.0% 的 LFW 排名 1 的人脸识别准确率。

    Feb, 2015