深度人脸属性分析调查
DiffFAE 是一个基于扩散的高效一阶段框架,旨在实现高保真的面部外貌编辑。通过使用基于 3D Morphable Model(3DMM)的渲染纹理,采用空间敏感的物理定制(SPC)来确保高保真度和泛化能力;通过引入区域响应的语义组合(RSC)模块来保留源属性;通过一致性正则化来增强编辑可控性。实验证明,DiffFAE 在面部外貌编辑方面具有优越性能,达到了领先水平。
Mar, 2024
本文研究了利用深度神经网络提取面部特征的鲁棒性,通过生成对抗性样本测试了多种算法的可靠性,并提出了自然对抗样本的概念,发现即使在经过多次训练的情况下,网络仍然存在一些本该被正确分类的对抗样本。
Jan, 2018
该研究提出了一种新的深度学习框架,预测面部属性并将其作为软模态来提高面部识别性能,并且在预测属性和面部特征中融合以改进面部识别性能。实验结果表明,该模型在面部识别和属性预测性能方面都有很好的表现,特别是在身份面部属性预测方面。
Apr, 2018
本文综述了利用大规模公共数据库及深度学习技术(尤其是生成对抗网络)生成逼真虚假内容的技术及其在虚假新闻时代的社会影响,包括 DeepFake、面部属性操作和面部表情交换等四种类型的面部操纵技术,以及检测这些操纵方法的关键技术。同时,我们详细介绍了每种操纵类型的技术、公共数据库和关键指标,并着重介绍了最新一代的 DeepFakes 在虚假检测方面的改进和挑战。除了综述信息外,我们也讨论了该领域的未解决问题和未来趋势。
Jan, 2020
本研究提出了一种新型的深度多任务多标签卷积神经网络(DMM-CNN),通过联合优化面部地标检测和面部属性分类两个紧密相关的任务以利用多任务学习来提高面部属性分类的性能,并针对不同的学习复杂性将面部属性分为两组,为两组属性设计不同的网络架构,并提出一种新的动态加权方案来自动分配损失权重。此外,还开发了一种自适应阈值策略来有效地缓解多标签学习的类别不平衡问题。实验结果表明,与几种最先进的 FAC 方法相比,所提出的 DMM-CNN 方法在具有挑战性的 CelebA 和 LFWA 数据集上具有优越性。
Feb, 2020
本文探讨了最新版本的深度卷积神经网络 ResNets 在面部属性分类任务上的表现情况,研究表明使用 AFFACT 数据扩增技巧,可以在不需要超出检测到的人脸边界框范围的对齐情况下,提高面部属性的分类准确性,相对于 CelebA 基线,准确率提升了 36.8%。
Nov, 2016
提出了一种基于多任务联合训练的级联卷积神经网络方法(MCFA),用于同时预测多个面部属性,该方法采用新颖的动态加权方案自动为每个面部属性分配损失权重,实现粗到细的联合训练,能够实现端到端优化。实验结果表明,该方法在 CelebA 和 LFWA 数据集上优于几种最先进的 FAC 方法。
May, 2018
本文研究了人脸表情识别中的偏见与公平性问题,并对三种不同的方法在两个不同数据集上进行了比较,结果表明,使用数据增强的属性感知方法和解缠方法比基线方法更具准确性和公平性,在减轻人口统计学偏见方面,解缠方法是最好的选择。
Jul, 2020
通过无需预训练或数据集增强的深度卷积神经网络,本研究提出了一种简单且有效的自动面部特征提取解决方案,并在 CelebA 数据集上获得了最新的面部特征分类结果。研究者还通过引入营造自然对抗样本的概念,证明了对于某些特征,深度卷积神经网络对于对抗性输入是鲁棒的,而对于其他特征则不是。
May, 2016