CVPRMar, 2020

跨域元人脸识别学习

PDF
TL;DR本文提出了一种通过元学习来实现对新的未见领域进行面部识别的方法，该方法名为 “Meta Face Recognition（MFR）”，该方法利用元优化目标综合源 / 目标域转移，并通过优化多域分布来合并梯度 / 元梯度以提高泛化性能，同时提出了两个用于泛化人脸识别评估的基准，实验结果证实了该方法的优越性能。
face recognitionunsupervised domain adaptionmeta-learninggeneralizationdomain-level sampling
发现论文，激发创造
  • 细粒度元人脸防欺骗的正则化

    本文提出了一种基于元学习的面部防欺诈域泛化方法，该方法以细粒度学习策略和领域知识正则化作为核心，以优化元学习过程并提高面部防欺诈模型的泛化能力，实验结果表明其有效性。

    Nov, 2019

  • 通过基于记忆的多源元学习进行学习，以便在看不见的领域中进行个人重新识别

    本文提出了 Memory-based Multi-Source Meta-Learning (M$^3$L) 框架，通过引入元学习策略和基于内存的非参数分类器，以及 Meta Batch Normalization Layer (MetaBN) 等技术来解决垂直领域通用性问题，并在四个大规模 ReID 数据集上实现了最优结果。

    Dec, 2020

  • 多源域自适应的元自学习：基准

    本文的研究着重于文本识别问题，通过提出元自学习方法 (Meta Self-Learning) 和收集包含 5 个不同领域的超过 5 百万张图像的多源领域适应数据集，提供了一个基准测试，实验结果证明了我们的方法的有效性。

    Aug, 2021

  • 基于形态认知的元学习：将前列腺 MRI 分割普适到未知领域

    本研究提出了一种新颖的形态感知元学习框架来解决深度学习方法在多领域数据中的域泛化问题，特别是在缺乏形状完整性和边界模糊性的情况下增强了模型的泛化性能来对抗领域偏移。实验表明，本方法在前列腺 MRI 图像分割中的性能在六个不同机构数据的分布偏移中均优于现有的许多基准方法。

    Jul, 2020

  • 领域增强元学习的开放域泛化

    本文研究了开放域泛化的问题，提出了一种基于元学习的域增强框架 (DAML)，通过特征层次和标签层次上的增强，综合不同领域的知识，提高在不同领域泛化能力的性能。实验结果表明，DAML 方法在未知领域识别方面表现优越。

    Apr, 2021

  • 面部识别联邦无监督领域自适应

    本文提出了一种联合优化聚类域自适应与联邦学习的方法来解决隐私约束下使用的人脸识别问题，并在新构建的基准测试数据集上进行了广泛的实验，证明在不同的评估指标上，该方法在目标域上的表现优于基线和经典方法 3％至 14％。

    Apr, 2022

  • MetaTra：在未知领域中进行广义轨迹预测的元学习

    通过提出一种名为 MetaTra 的基于元学习的轨迹预测方法，该方法将 Dual Trajectory Transformer 引入到不同情景中探索个体意图和群体运动模式之间的相互作用，进一步提出了一种模拟源领域和目标领域之间泛化过程的元学习框架，以及通过 Serial and Parallel Training 策略和 MetaMix 特征增强方法增强预测稳定性，实验证明 MetaTra 在实际数据集上不仅超越了其他最先进的方法，而且在领域泛化方面表现出即插即用的能力。

    Feb, 2024

  • 重新思考近红外人脸识别中的领域差距

    利用大规模可见光数据对大型神经网络进行预训练，然后采用正则化的微调策略，通过将异构人脸识别问题视为低数据微调问题，达到或超过四个公开基准的最新成果。

    Dec, 2023

  • 基于模型无关语义特征学习的域泛化

    研究域常规化问题及其解决方法，通过使用基于梯度的元训练和元测试过程，引入了两种补充损失来明确地规范特征空间的语义结构，从而取得了两个常见对象识别基准测试的最新效果。

    Oct, 2019

  • 具有困难感知的不平衡数据序列元学习

    针对实际情况中任务分布动态变化和不均衡，本研究提出了一种基于核方法的领域变化检测和难度感知内存管理机制。同时，还引入了一种高效的自适应任务采样方法，最终在新的基准测试中得到了非常好的效果。

    Sep, 2021