本文提出了一种新颖的框架,将从通用图像数据集中学习的基本视觉特征转移至监督人脸识别模型,以应对看似相似的人脸在进行整形手术或伪装后造成的识别挑战,并在两个数据集上进行了实验,结果表明该算法在人脸识别方面表现最优秀,尤其是在数据野外环境 (DFW) 数据库上,误识率为 1% 时可获得超过 87% 的验证准确率,比使用 VGGFace 计算得到的基准结果高出 53.8%。
Nov, 2018
本文提出了一种新的数据集 WildDeepfake,用于支持深度学习的 DeepFake 检测器在网络上对真实世界中的 DeepFakes 进行更好地检测,通过对其进行多维度评估,展示了其在检测性能方面的优越性,并提出了基于注意力机制的 ADDNets 以便更好地实现检测。
Jan, 2021
本文章研究口罩对面部识别的影响,并搭建了一个生成口罩面部的自动化工具,建立了新的 Masked LFW(MLFW)库。通过实验发现,与原始图像比较,先进的面部识别模型在 MLFW 上的识别准确率下降了 5%-16%。
Sep, 2021
本文提出了三种不同类型的口罩脸识别数据集,以提高口罩脸识别技术的识别性能,并开发了多粒度口罩脸识别模型,其准确率可达 95%,超过行业报道的结果。
Mar, 2020
介绍野外人脸防炸数据集(WFAS),该数据集包含 853,729 张交错图像,涵盖了 321,751 个欺诈主题和 148,169 个真实主题,集成了从互联网获得欺诈数据,并在 CVPR2023 工作坊上主持了野生人脸反欺诈挑战。
Apr, 2023
采用合成数据集进行人脸识别,通过数据扩充和精细控制属性可以显著减少真实与合成数据集之间的差异,并降低数据集的偏见和标签噪声问题,从而将识别错误率从 91.93% 降低到 96.17%,并在较少的真实样本上训练可与百万真实样本训练相媲美的识别效果。
Oct, 2022
通过构建大规模数据集 FFIW-10K,该数据集包括了 10000 个高质量伪造视频,每个画面平均有三个人脸,再结合一个新算法,从而提升了人脸伪造检测的性能,该算法在 FFIW-10K 和现有基准测试上表现优秀。
Mar, 2021
本文介绍了一种基于深度学习的面部关键点检测框架,利用两个注释的面部关键点数据集进行训练,进而实现伪装面部识别,并通过与其他深度网络的比较证明了其优越性,同时还通过与最新面部伪装分类方法的比较证明了其分类性能的有效性。
Aug, 2017
本文介绍一种全新的超现实 3D 面部攻击数据库,WFFD,用于模拟真实特征或材料的 3D 类型攻击,作者研究了三种流行的面部识别系统的易受攻击性,并评估了几种面部展示攻击检测方法以展示这个超丰富面部欺骗数据库的攻击能力。
Jun, 2019
本篇论文介绍通过使用一个平衡的面孔集合数据集,学习进行亚组特定的阈值来消除避免面部识别系统中策略所导致的表现差异和偏差,在总体性能中表现出显著的提高。同时,通过人类评估证实了人类感知中存在这样的偏差。
Feb, 2020