Jul, 2019

基于依赖感知的注意力控制技术用于无约束人脸图像集识别

PDF
TL;DR本文介绍了一种使用马尔可夫决策过程和依赖关注控制网络来解决图像集合中人脸验证和识别的问题。该网络中使用了姿态引导表示方案来提高性能。
image setface verificationmarkov decision processdac networkpose-guided representation
发现论文，激发创造
  • 基于度量学习对齐的图像集识别中的注意力控制

    本文提出了一种在图像集合中进行人脸验证和识别的方法，使用马尔可夫决策过程模型处理无序图像集之间的相关性以及结合姿势引导表示方案和增强学习方法提升性能，并在多个数据集上实验验证了该方案优于现有的一些方法。

    Aug, 2019

  • 利用偏序关系引导注意力进行图像字幕生成

    本文提出了一种引导式的注意力网络机制，将图像的空间特征、主题的高级信息以及生成的字幕的时间上下文嵌入到一个有序的嵌入空间中进行训练，采用成对的排序目标函数，该模型在 MSCOCO 数据集上表现出与众多最先进模型相媲美的竞争力。

    Apr, 2022

  • 基于置换不变性的特征重构用于相关感知的图像集识别

    本文研究了如何通过特征重组、自注意力、稀疏 / 协作学习等手段来比较变量数量、质量和无序异质图像集的相似度，并在实验中取得了领先的成果，解决了人脸识别和人物重识别等问题。

    Aug, 2019

  • 基于视频的无约束人脸识别自动化系统

    提出了一个用于多个挑战性情景的视频人脸识别的鲁棒且高效的系统，包括人脸 / 标志检测、人脸关联和人脸识别等模块，特别是针对多镜头视频设计了精心的人脸关联方法，采用一种基于无监督子空间学习方法和子空间到子空间相似度度量的人脸匹配器来识别人脸，广泛实验表明该系统可以准确地检测和关联未约束的视频中的人脸，并有效地学习到具有鲁棒性和区分性的特征用于识别。

    Dec, 2018

  • 深度架构图像跟踪中的注意力学习

    提出了一种基于注意力的模型，利用注视数据进行同时进行目标跟踪和识别。模型有两个相互作用的通路：身份和控制，分别模拟神经元科学模型中的「what 和 where」通路，其中前者使用深度（分解）受限玻尔兹曼机模拟对象外观并执行分类，而后者模拟关注对象的位置、方向、大小和速度，并估计状态的后验分布。

    Sep, 2011

  • 基于多原型网络的非约束集合人脸识别

    本文研究了非约束性基于集合的人脸识别问题，提出了一种新颖的多原型网络模型，该模型从媒体集合中自适应地学习多个原型人脸表示，通过密集子图学习子网来隐式地解开不一致的媒体，并学习一些代表原型。定量和定性实验清楚地证明了这种方法在状态 - 艺术上的优越性。

    Feb, 2019

  • 统一身份认证和环境学习以进行人员识别

    本文提出了一种新的人物识别框架：区域注意力网络，它能够以实例相关的方式自适应地组合不同的视觉线索，并学习社交上下文和人物身份的推理，从而在复杂的环境中大幅提高了鲁棒性。

    Jun, 2018

  • 通过自监督分离身份和姿势实现逼真的人脸复原

    本文提出了一种新型的自我监督混合模型（DAE-GAN），它结合了两个形变自编码器及条件生成的最新进展，用于学习如何在大量未标记视频的情况下自然地再现人脸，并且在 VoxCeleb1 和 RaFD 数据集上得到了优秀的实验结果，表明了重新表演图像的优异品质和在不同身份之间转移面部动作的灵活性。

    Mar, 2020

  • FaceCoresetNet: 人脸集合识别的可微分核集

    基于集合的人脸识别中，本研究通过不同 iable 的 farthest-point 采样选择问题的核心集方法，构建了一个同时平衡质量和多样性策略的模型，进而在 IJB-B 和 IJB-C 数据集上取得了新的最佳表现。

    Aug, 2023

  • 使用深度卷积神经网络进行基于静态和视频的人脸验证

    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