Apr, 2019

基于深度学习的人脸识别质量评估

PDF
TL;DR本文提出了基于深度学习的人脸识别质量评估方法，该方法采用卷积神经网络 FaceQnet 对输入图像进行预测，使用 BioLab-ICAO 框架标记 VGGFace2 图像的质量信息进行训练，最终证实 FaceQnet 得分与商用系统的人脸识别准确性高度相关。
quality assessmentface recognitiondeep learningbiolab-icaocnn
发现论文，激发创造
  • EQFace：用于人脸识别的简单显式质量网络

    本文提出了一种基于神经网络的人脸识别质量评分方法，该方法在提取特征向量时给出一个明确的定量质量评分，不需要训练用于注释的人脸质量标签数据集，适用于在线的视频人脸识别。

    May, 2021

  • 自动人脸图像质量预测

    通过支持向量回归模型与卷积神经网络提取的人脸特征预测人脸图像质量，利用人类对人脸图像质量的评估创建跨库评估的人脸图像预测器，在减少 FNMR 方面表现出极高的效果，是第一个成功应用人工评估的跨库人脸质量预测研究。

    Jun, 2017

  • 生物特征质量评估及其在人脸识别中的应用（以 FaceQnet 为例）

    本篇论文介绍了生物特征识别的基本概念和在人脸质量度量方面的研究，提出了一种基于深度学习技术的开源脸部质量评估工具，并通过 NIST 的评估证明了其优越性。

    Jun, 2020

  • 深度学习与人脸识别：现状

    本文介绍了深度学习技术在人脸识别领域中的应用和进展，提出了需要更大和更具挑战性公共数据集的必要性，以及可以提供这样数据集的机构。

    Feb, 2019

  • 使用深度学习进行盲图像质量评估

    这篇研究使用深度学习技术进行失真通用的盲目图像质量评估，通过将子区域的评分进行平均池化，使用分类基础图像质量评估的 CNN 微调提取的特征，使用 SVR 机器计算每个子区域的评分，进而证明了该方法在 LIVE In the Wild 和 LIVE 两个数据库上的表现均优于当前的最优方法，并且在很多情况下，比普通的人类观察者的评分更加接近平均观察者的评分。

    Feb, 2016

  • 边缘上的人脸质量评估的高效方法

    通过向人脸关键点检测网络中追加单层网络以进行面部质量分数回归，提出了一种针对边缘设备的人脸质量评分回归算法，可在识别准确度更高的前提下保证处理效率。

    Jul, 2022

  • 用于无参考和全参考图像质量评估的深度神经网络

    本文提出了一种基于深度神经网络的图像质量评估方法，通过数据驱动的方式完成特征提取、回归等过程，与现有的图像质量评估方法相比，在全参考和无参考情况下表现都更好，且不依赖手工特征或人眼视觉系统和图像统计学知识。

    Dec, 2016

  • 基于优化的人脸图像质量评估技术的改进

    该研究旨在提高现有面部图像质量评估（FIQA）技术的性能与稳定性以适用于真实世界场景。采用基于监督质量标签优化的方法，结合特定的面部识别模型（ArcFace，ElasticFace，CurricularFace），在五个常用基准测试数据集上，对六种最新的 FIQA 方法（CR-FIQA，FaceQAN，SER-FIQ，PCNet，MagFace，SDD-FIQA）进行了全面的实验评估，取得了令人鼓舞的结果。

    May, 2023

  • 卷积神经网络在人脸反欺诈中的性能评估

    本文通过基于卷积神经网络的 Inception 和 ResNet 模型在 MSU Mobile Face Spoofing 数据库上的表现，研究了如何应用这些深度学习算法实现面部反欺骗的生物特征访问控制。

    May, 2018

  • 使用视觉显著性和深度学习进行面部表情识别

    我们开发了一个卷积神经网络来识别人类面部表情。我们将已有的卷积神经网络模型 fine-tune 到 CFEE 和 RaFD 数据集，测试准确率分别为 74.79% 和 95.71%。通过在一个数据集上训练模型，在另一个数据集上测试可以牵扯到泛化的结果，最广泛的实验中测试集的 top-1 准确率为 65.39%。

    Aug, 2017