深度学习与人脸识别:现状
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
该研究提出了一种半自动方式从互联网收集人脸图像并构建了一个包含大约 10000 个主体和 500000 个图像的大规模数据集,命名为 CASIAWebFace,使用该数据库,我们使用一个 11 层 CNN 学习区分性表示并获得在 LFW 和 YTF 上的最新准确性。
Nov, 2014
本文通过使用公共的数据集 LFW,提出了三种最近的第一代 CNN 结构,研究了卷积神经网络应用于人脸识别的原因和设计,发现将多个 CNN 结构及度量学习的融合,可以提高 CNN-FRS 的性能并使得学习特征的维度可显著减小。
Apr, 2015
本文提出并实现了一种基于单个卷积神经网络的人脸识别方法,使用残差学习框架和归一化特征计算损失,实验证明在不同数据集上具有较好的泛化性能。
Mar, 2017
本篇研究论文介绍了一种深度学习系统,基于卷积神经网络,包括面部检测、定位、对齐和验证模块等,用于非约束性人脸识别。研究使用 IARPA Janus 基准数据集 A, JANUS 挑战集 2 和 LFW 数据集进行了数量化的性能评估,并讨论了 DCNN 面部验证问题的一些开放性问题。
May, 2016
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
本文研究了深度卷积网络在人脸识别中的性能,发现网络的 “瓶颈” 结构对于迁移学习具有重要作用,并提出了一种解决方法,即用自助法取代随机子采样;同时还发现了表示范数和目标域判别能力之间的联系,并基于这些发现,在目前最流行的人脸识别数据集 LFW 上取得了优秀的性能,甚至超越了商用系统。
Jun, 2014
本文通过使用野生标记人脸数据集(LFW), 系统地研究了四种不同的深度卷积神经网络模型在面部识别任务中对图像质量、颜色信息、CNN 架构和描述符计算等不同协变量因素的影响,结果发现高噪声、模糊、缺失像素以及亮度对所有模型的识别准确性有不利影响,而对比度变化和压缩失真的影响有限,但同时发现描述符计算和颜色信息对性能没有显著影响,这对未来深度学习模型的进一步优化和改进提供了启示。
Oct, 2017