我们使用无监督生成方法创建了一个平衡的数据库，并引入了一种新颖的纹身模板重建网络 (TattTRN)，该网络通过学习将输入的纹身样本映射到其相应的纹身模板，以增强最终特征嵌入的区别性属性。实验证明了此方法的可行性，对于最多检查候选列表的前 20 个条目，可以达到高达 99% 的准确率。

May, 2024

通过融合手工特征和深度神经网络嵌入特征的多层次融合方法，提出的方法在潜在指纹识别中显著提高了真实数据集的排名 - 1 识别准确率。

Mar, 2024

本文提出了一个脸部搜索系统，它使用快速搜索程序和 COTS 匹配器相结合的级联框架，通过卷积神经网络生成的深度特征来过滤大量的照片，并在 80 百万张网络下载的人脸图像的图库上对该系统进行了评估。

Jul, 2015

本文介绍了使用多个卷积神经网络的视频人物重新识别的新方法，利用步态对连续帧进行筛选选取代表帧，利用特征池化提取特征进行身份鉴定的紧凑描述，实验证明该方法比现有方法更优。

Feb, 2017

本研究提出了一种基于卷积网络的方法，实现将人脸照片转化为面部素描，并添加判别性正则化项提高生成的人物素描的可辨识度，该方法在多项基准测试中表现优于其他当前最先进方法。

Jan, 2015

本研究提出了一个深度哈希框架，用于人类涂鸦数据集的多重万级别检索，探索了前期文献中未被研究的涂鸦专有特征，并通过一个两支 CNN-RNN 的设计进行了独特人类涂鸦的特征嵌入，并开发出一个新的哈希丢失功能来适应涂鸦数据的时态和抽象特征，实现了相比静态图像的现有哈希模型更优异的表现。

Apr, 2018

该论文提出了一种新的计算量小、效果好的框架，其中采用了不同的掩码计算策略和最新的嵌入聚合方法来提高图像检索的准确性；同时还利用哈希模块生成非常紧凑的二进制图像表示，并在六个图像检索基准测试中取得了最好的检索性能。

Feb, 2018

提出了一种新的深度学习框架，该框架通过在线实例匹配损失函数联合处理行人检测和人物再识别，用于行人搜索，并提供了一个大型数据集进行验证。该方法在结果与收敛速度上优于传统 Softmax 损失函数。

Apr, 2016

本文提出了一种基于 CNN 和度量学习的两阶段方法，以实现面部验证和识别。实验表明，该方法优于其他最先进的方法，获得 99.77% 的成对验证准确度，并在其他两个更实用的协议下获得更好的准确度。本文也讨论了数据大小和补丁数量的重要性，展示了通往实际高性能面部识别系统的明确途径。

Jun, 2015

TinySiamese 是一种用于生物识别的网络，采用预训练 CNN 作为特征提取器和 TinySiamese 学习提取特征，以达到与标准 Siamese 几乎相同的性能和效率，避免了内存和计算时间的问题。TinySiamese 可以在低功耗机器上运行，只需要不超过 7 层的小型网络，并在多个数据集上实现了高准确性。

Jul, 2023