紧凑深度汇聚用于集合检索
本论文旨在提出一种多列神经网络架构,它可以自适应地对输入的人脸图像集进行加权和校准,计算出一个固定大小的特征向量来代表整个集合,此举在人脸识别评测基准测试中的表现优异。
Jul, 2018
本文旨在针对模板基础人脸识别问题,提出了一种图像集的紧凑表示方法;基于深度卷积神经网络产生的人脸描述符,该方法利用网络架构进行聚合嵌入,生成了一种紧凑且固定长度的表达形式,该表达形式需要最小的内存存储并能够进行有效的相似性计算;同时还提出了包含 “幽灵簇” 的新型 GhostVLAD 层,该层能够使输入的高质量图像比低质量图像更具信息量,增强了网络处理低质量图像的能力;最后,我们在 IJB-B 人脸识别数据集上训练的模型比目前的最先进模型性能更高,且在身份识别和验证协议上均超过了先前的最高水平。
Oct, 2018
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
该论文提出了一种新的计算量小、效果好的框架,其中采用了不同的掩码计算策略和最新的嵌入聚合方法来提高图像检索的准确性;同时还利用哈希模块生成非常紧凑的二进制图像表示,并在六个图像检索基准测试中取得了最好的检索性能。
Feb, 2018
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
本文提出了一种新颖的框架用于图像检索,通过采用各种掩码方案从卷积特征中选择代表性的子集来解决爆炸性问题,并采用最新的嵌入和聚合方法进一步提高特征可区分性,从而达到了最先进的检索准确度。
Jul, 2017
研究了 Deep Set 学习的核心组成部分:聚合函数;提出并检查了替代常用聚合函数的方法,包括可学习的循环聚合函数,并在实验中发现 Deep Set 网络对聚合函数的选择非常敏感:在改善性能的同时,我们发现可学习的聚合函数可以降低超参数的敏感度,并更好地推广到分布外的输入大小。
Mar, 2019
本文介绍了一种名为 FaceNet 的系统,其通过使用卷积神经网络及三元组学习法直接将人脸图像映射到紧凑的欧几里得空间中,使得人脸识别、验证和聚类等任务可使用 FaceNet 嵌入作为特征向量,仅使用 128 字节每个人脸即可实现最先进的人脸识别性能,其在 LFW 和 YouTube Faces DB 两个数据集上的表现都创造了最新纪录。同时,本文还提出了谐波嵌入的概念和谐波三元组损失,以描述不同网络产生的面部嵌入版本以及它们之间的直接比较。
Mar, 2015