人脸识别中的数据不确定性学习
本文介绍了通过将人脸图像表示为以高斯分布为参数的概率性人脸嵌入值(PFE)来提高人脸识别的性能,并通过在匹配和融合 PFEs 时自然地获得不确定信息去进行概率解决方案。实证评估表明,该方法可以通过将确定性嵌入模型转换为 PFEs 来提高人脸识别性能。同时,PFEs 估计的不确定度也是评估匹配精度的良好指标,对于风险受控识别系统很重要。
Apr, 2019
通过建模数据的不确定性,本研究提出了一种将传统面部反欺骗(FAS)点估计转换为分布估计的方法,以提高 FAS 在长距离监控场景中的稳定性和准确性。该方法在 SuHiFiMask 数据集上得到了验证,并在 ACER 和 AUC 指标上表现出可比较的性能。
Sep, 2023
研究结果显示,SCIU 框架在消除 Dynamic Facial Expression Recognition (DFER) 数据集中的不确定性方面具有显著的效果,并通过严格的实验验证实现了性能指标的显著提升。
Jun, 2024
本文提出了利用 MRE 和 GUS 技术的人脸表情识别方法,以解决表情变化和数据不确定性带来的挑战。实验结果表明该方法具有更强的泛化能力和更稳健的表情捕捉表示能力。
Jul, 2022
提出了一种深度度量学习方法,使用可训练的比例值来修正嵌入空间中的相似性,从而达到识别结果的不确定性评估,进而证明了该方法在人脸识别和文本到图像检索等方面的准确性和有效性。
Sep, 2022
本研究旨在提出一种基于 PCNet 的人脸图像质量评估方法,通过自动生成图像质量训练数据,实现生成可靠的人脸图像的置信度得分,进而提高任何人脸验证模型的识别准确度,以达到三个应用目的:筛选高质量人脸进行自动注册或显示;通过拒绝低质量人脸提高 1:1 基于图像的验证错误率;在 1:1 集合验证基准测试中,提高基于质量分数的融合效果。
Sep, 2020
本文提出了一种名为 DMUE 的方法来解决面部表情识别中令人困惑的注释模糊性问题,它从潜在分布挖掘和成对不确定性估计两个角度入手,引入了一个辅助的多分支学习框架来更好地挖掘和描述标签空间中的潜在分布,并充分利用不同实例之间的语义特征对成对模糊程度进行评估,而且该方法不依赖于主干架构,并且不会增加额外的推演负担。在流行的真实世界基准测试和合成嘈杂数据集上,DMUE 稳定地实现了领先的性能。
Apr, 2021
本文旨在通过在训练时使用合成特征统计数据来增强深度学习模型的泛化能力,建立在统计学的基础上,每个特征统计量变为具有不同分布概率的概率点。研究表明,这种方法可以显著提高图像分类、语义分割和实例检索等多项视觉任务的网络泛化能力。
Feb, 2022
本文提出了一种通用表征学习框架来提高人脸识别的性能,包括合成训练数据、分割特征嵌入、用不同自信值调整训练的过程,以及通过正则化分类和对不同划分的变体进行对抗训练损失来减少相关性。实验结果表明,该方法在 LFW 和 Megaface 等人脸识别数据集上取得了最佳性能,而在 Tinyface 和 IJB-S 等极端数据集上表现显著优于其他方法。
Feb, 2020