本文介绍了一种神经汇聚网络（NAN）用于视频人脸识别，该网络由两个模块组成：特征嵌入模块和聚合模块，利用注意机制对变量数量的面部图像进行聚合，通过分类或验证损失训练 NAN 并打破 naive aggregation 方法的精度极限，达到了最先进的准确度。

Mar, 2016

我们提出了组件化特征聚合网络（C-FAN）作为视频人脸识别的新方法。C-FAN 自适应地将深层次特征向量聚合成一个单独的 512 维的表示一个视频序列的特征向量来实现出色的性能表现。

Feb, 2019

本文提出了 Frame Attention Networks（FAN）来自动突出视频中具有区分度的帧，进行面部特征的集成，并在 CK + 和 AFEW8.0 数据集上展开了广泛的实验，其效果表现出优越的性能，超过了基于 CNN 的其他方法并在 CK + 上取得了最优秀的性能。

Jun, 2019

通过 Frame Aggregation and Multi-Modal Fusion framework 框架，将注意力机制引入 NetVLAD 模块进行视频内的人物识别，同时引入了 Multi-Layer Multi-Modal Attention 模块进行多模态相关性建模，实验结果表明该方法优于其他现有方法。

Oct, 2020

利用聚合通道特征的多视角检测方法提高人脸检测的性能， 能够处理野外环境中不同表现形式的人脸。

Jul, 2014

本文提出了一种介于 3D 卷积和 CNN 特征融合之间的方法，使用卷积结构学习适当的模式，同时保留了特征流，并检验了该方法在 TSN、TRN 和 ECO 模型上的效果。

May, 2019

提出了一种称为 REAN 的循环嵌入汇聚网络，可用于集合到集合的人脸识别任务，并且相对于 LSTM 等采用先前训练嵌入的方法，REAN 学习如何聚合预先训练的嵌入，可以更加稳健地避免过拟合，而 REAN 相较于高质量聚合方法，可以利用上下文信息规避冗余帧导致的噪声干扰， 在三个公共数据集上的实验结果表明，相对于基线 CNN-LSTM 结构和高质量聚合方法， REAN 显着地提高了人脸识别的准确性。

Apr, 2019

本文提出了一种两阶段的特征融合范式，Cluster 和 Aggregate，用于无约束人脸识别，它能够适应大规模输入，维护顺序不变性，并通过聚类特征进行序列推理。实验结果表明，所提出的范式在无约束人脸识别中具有优越性。

Oct, 2022

提出一种名为 MG-RAFA 的关注特征汇聚模块，用于将空间 - 时间特征精细地聚合成具有判别性的视频级别特征表示，采用全局视图与卷积操作学习关注，并基于不同粒度的关系学习多粒度关注，实现了视频 ReID 任务上的最新成果。

Mar, 2020

本文中，我们提出了一种名为 FANet 的新型单阶段人脸检测器，它不仅实现了最新的性能，而且运行效率高。此外，我们还提出了一种分层损失来有效地训练 FANet 模型，并在几个公共人脸检测基准测试集上评估了所提出的 FANet 检测器，包括 PASCAL face、FDDB 和 WIDER FACE 数据集，在这些基准测试集上都获得了最新的结果。

Dec, 2017