ICCVAug, 2019

基于注意力特征对关系网络的准确人脸识别

PDF
TL;DR本论文提出了一种名为 AFRN 的人脸识别方法，它是通过考虑注意力分数来表示本地外观块特征的相关配对，以增加准确性并通过使用双线性注意力网络提取联合特征 - 对关系。在实验中，该方法在诸多数据集上的表现均超越了现有的最先进的方法。
face recognitionbiometricslocal appearance block featuresattention scorebilinear attention network
发现论文，激发创造
  • 利用本地外貌特征的两两关系网络进行人脸识别

    提出了一种新的人脸识别方法，称为对比关系网络，该网络利用特征图上地标点周围的局部外观特征，捕捉相同身份的独特对比关系和不同身份之间的有区别性的对比关系，并通过添加面部身份状态特征来进一步提高准确性。

    Nov, 2018

  • 基于注意力关系网络的面部动作单元识别

    本文提出了一种基于注意力机制的关系网络（ABRNet），该网络可以自动捕获不同 AU 之间的关系，使用自我注意力融合模块来提高特征的稳健性，并提出了 AU 关系丢失策略和 AU 关系损失来进一步改善 AU 识别。实验证明，该方法在 DISFA 和 DISFA+ 数据集上实现了最先进的性能。

    Oct, 2022

  • 人脸识别的配对关系网络

    本文提出了一种基于 pairwise relational network (PRN) 的人脸识别方法，使用本地外观补丁捕捉局部特征并捕捉不同身份之间独特而具有区分性的成对关系，融合全局特征表示和面部身份状态特征来进一步提高准确性，在 LFW、YTF 和 IJB 数据集上都获得了良好的实验效果。

    Aug, 2018

  • AAFACE: 面部识别的属性感知注意力网络

    我们提出了一种新的多分支神经网络，同时作为辅助模态进行软生物测量预测并作为主任务进行人脸识别。我们的网络 AAFace 利用软生物测量属性来增强人脸识别表征的区分能力，并通过属性感知注意整合模块（AAI）对人脸识别与软生物测量特征图进行加权整合。实验结果验证了我们提出的网络在软生物测量预测和人脸识别方法方面的卓越性。

    Aug, 2023

  • 分散注意力：多头交叉注意力网络用于面部表情识别

    我们提出了一种新的面部表情识别网络，称为分心网络（DAN）。我们的方法基于两个关键观察结果。首先，多个类别共享内在相似的面部外貌，它们的差异可能很细微。其次，面部表情通过多个面部区域同时展示出来，并且需要通过编码局部特征之间的高阶交互的全面方法来识别。为了解决这些问题，我们提出了我们的 DAN，并通过三个关键部分构建了它。经过广泛实验验证，在包括 AffectNet、RAF-DB 和 SFEW 2.0 在内的三个公共数据集上，该方法始终实现了最先进的面部表情识别性能。

    Sep, 2021

  • 使用注意力和关系学习进行面部动作单元检测

    本文提出了一种基于深度学习的端到端注意力关系学习框架，用于面部动作单元（AU）检测。通过自适应地学习通道和空间注意力以选择和提取与 AU 相关的局部特征，并进一步捕获 AU 的像素级关系以提炼更多相关的局部特征，该方法在 AU 检测和强度估计方面均优于目前最先进的方法，并能在严重的遮挡和大姿态下工作。

    Aug, 2018

  • J (A) A-Net: 适应性注意力联合检测面部动作单元与面部对齐

    本文提出了一种用于联合面部动作单元检测和面部对齐的深度学习框架，通过学习多尺度共享特征，将面部对齐特征和全局特征与调整后的局部特征相结合，采用自适应注意力学习模块来调整 AU 的注意力图，实现了更好的 AU 检测表现，可适应不规则的 AU 区域，有望在面部识别领域有更广泛的应用。

    Mar, 2020

  • 视频面部表情识别的框架注意力网络

    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

  • 基于多维边缘特征的面部表情动作单元关系图学习

    本文提出了一种基于深度学习的 AU 关系建模方法，通过学习多维边特征与节点特征来描述面部表情不同组合之间的关系特征，从而实现更准确的 AU 识别。我们在 BP4D 和 DISFA 数据集上的实验结果表明，我们的方法不仅在各项识别指标上取得最优结果，而且可以轻松嵌入到不同的模型中。

    May, 2022

  • 利用多焦点空间注意力进行口罩人脸识别的定位

    本文提出的口罩人脸识别方法 (CAL and MFSA) 通过训练补充空间注意力集中于口罩区域和背景区域，并提取掩蔽不变特征的方式，在不影响传统人脸识别性能的前提下，提高了口罩人脸识别的准确性。

    May, 2023