Nov, 2019

人颜识别的准确度随年龄是否提升？深度人脸匹配者否定

PDF
TL;DR该研究使用三个现代的深度卷积神经网络模型，考虑了年龄组 16-29、 30-49 和 50-70 的真实和虚假分布的差异以及验证率和 ROC 曲线。研究结果表明，老年人的识别准确性较低，而年轻人的识别准确性较高，这与传统结果相反，认为老年人的识别准确性更高。研究还探讨了训练数据跨年龄组的影响，结果发现，在原始训练数据不平衡的情况下，增加老年人的图像并不会提高老年人的准确性，并且使用年龄平衡的训练数据集也会导致老年人的准确性降低。
face recognitionage groupsdeep learningimpostor scorestraining data
发现论文，激发创造
  • 人脸识别准确率中的性别不平等分析

    本篇论文对男女面部识别精度差异进行了深入分析，发现女性识别精度较低的原因是女性的冒名者分布向更高的相似性分数倾斜和女性真实分布向较低的相似性分数倾斜，这种现象的普遍性跨越 African-American、Caucasian 和 Asian 面孔的数据集，即使在将照片子集分别分为中立表情和垂直角度为零时，精度差异也会持续存在。

    Jan, 2020

  • 相对于种族特征的人脸识别准确性变异的特征描述

    该研究对 MORPH 数据集中的非裔美国人和白人图像组之间的面部识别准确性差异进行了系统调查，发现四个匹配器的假冒者和真实分布在组之间存在显着差异，使用 ICAO 合规性作为图像质量标准，结果发现初始图像组具有不均等的合格图像比率，并表明该 ResNet 匹配器的效果更好。

    Apr, 2019

  • 通过对比学习进行面部图像的年龄预测

    提出了一种新的方法，可以通过对不同人的面部图像进行对比学习，准确地估计年龄，并通过结合余弦相似度和三元组边距损失来突出与年龄相关的特征并抑制与身份相关的特征。通过在 FG-NET 和 MORPH-II 两个公共数据集上取得最先进的性能，验证了我们提出的方法的有效性。

    Aug, 2023

  • 寻找失踪儿童：深度年龄化人脸特征

    该研究提出了一个年龄进展模块，对于失踪儿童这个识别时效性强的问题，可以通过对人脸数据的年龄处理，提升人脸识别系统的识别准确率，从而帮助识别被拐卖的儿童。

    Nov, 2019

  • 训练数据中的性别平衡如何影响面部识别精度？

    该研究使用深度卷积神经网络训练数据集，在测试数据集上测试面部识别的准确度，研究发现在训练数据中性别平衡并不会转化为测试准确度的性别平衡，更多的男性图像比女性图像能够更好地缩小测试准确性的 “性别差距”，而以缩小准确性差距进行的训练并不会产生最高的男性、女性或平均准确性。

    Feb, 2020

  • 基于深度学习集成的表观年龄估计

    本文介绍了一种多标签人脸表观年龄估计的深度学习方法，通过组合多个卷积神经网络模型来降低估计误差。

    Jun, 2016

  • 门铃摄像头还能在您年纪增长时识别您吗

    低功耗消费设备（例如门铃摄像头）的强大身份验证是一个重要且独特的挑战。本研究探索了年龄和衰老对面部验证方法性能的影响。使用两个公共年龄数据集 ——AgeDB 和 Morph-II 作为基线。采用一种逼真的年龄转换方法，利用各种年龄效果对一组高质量的面部图像进行增强。然后通过使用各种指标（包括接收者操作特征曲线和匹配分数分布）来量化这些合成衰老数据对高性能深度学习面部识别模型的影响。实验结果表明，长期年龄效应仍然是最先进的面部验证方法面临的重要挑战。

    Aug, 2023

  • 探索人口统计变量对人脸识别准确性的影响

    这篇论文探讨了人脸识别技术的偏见和种族主义问题，分析了测试数据、训练数据和图像本身特征等多个因素对人脸识别准确度的影响。研究发现，测试图像本身特征对人脸识别准确度有着直接的影响。

    Apr, 2023

  • 深度神经网络在年龄和性别分类中的理解和比较

    本研究使用四种不同的神经网络模型，并研究了不同的人脸对齐方法对模型的影响。研究证明，适当的参数初始化和简单的预处理步骤可以提高性别识别的表现。

    Aug, 2017

  • 基于 CNN 特征的年龄与性别分类的可迁移性如何？

    通过使用深度卷积神经网络模型，对于人脸图像中的年龄和性别的识别，使用特征相似的 VGG-Face 模型提高了 7% 和 4.5% 的准确性，同时比使用特定任务的 GilNet 模型表现更佳。

    Oct, 2016