本文提出了一种轻量、高性能的 Deepfake 检测方法 DefakeHop，使用连续子空间学习原理从面部图像的各个部分自动提取特征，并通过特征精炼模块进行进一步处理以获得更简洁的面部描述，最终在 UADFV、Celeb-DF v1 和 Celeb-DF v2 数据集上实现了 ROC 曲线下面积（AUC）分别为 100％、94.95％ 和 90.56％ 的最新性能。

Mar, 2021

提出了一个名为 Geo-DefakeHop 的强健假卫星图像检测方法，它基于并行子空间学习（PSL）方法，使用多个滤波器对输入图像空间进行映射，学习最具有鉴别性的通道并使用它们的软决策分数作为特征，最终实现了轻量级高性能的假卫星图像检测，模型规模从 0.8 到 62K 参数不等，在各种图像操作下，如缩放，压缩和噪声损坏，实验表明其 F1 分数高达 95％以上。

Oct, 2021

该研究提出了一种改进的 PixelHop++ 方法，结合了连续子空间学习和通道鉴别特征提取技术，可以控制学习模型的大小并提高图像分类性能。

Feb, 2020

使用深度卷积神经网络 (CNN) 的 HyperFace 算法能够同时进行面部检测、标志定位、姿势估计和性别识别，是一种基于多任务学习的算法，通过融合深度 CNN 的中间层并锁定不同任务之间的协同作用来提高算法的效率和精度，此外，HyperFace 还提供了两个变种：结合了 ResNet-101 模型的 HyperFace-ResNet 和高召回率快速面部检测器的 Fast-HyperFace。

Mar, 2016

本文介绍了一种简化的本地深度神经网络方法，通过仅使用 9 个覆盖整个面部区域的重叠图像块，降低了训练时间，同时性能略有降低，试验表明眼部区域有助于性别识别，口部和眼睛区域对年龄识别有用。

Mar, 2017

本文提出了一种利用深度学习方法在人脸图像中进行性别识别的方法，并在性别注释的 Adience 和 LFW 数据集上进行了 fine-tuning，最终在 Adience 和 LFW 上的分类精度分别达到了 90.8% 和 95.3%，并能够在 GPU 上以每秒 7-10 帧的速度运行。

Mar, 2018

该研究提出了一种利用卷积神经网络和图像转化模型实现手持物体姿态和形状估计的方法，并使用合成数据训练模型，获得了在真实场景与合成场景数据上预测物体姿态和形状的良好结果。

Mar, 2019

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

研究通过有效的神经模型 $f$ 进行面部验证的问题。该模型的高效性源于将面部验证问题简化为二进制问题，并且每个用户都有自己的神经网络 $f$。为了在训练集中实现不同个体之间的信息共享，我们并未直接训练 $f$，而是使用超网络 $h$ 生成模型权重。该方法生成了一种紧凑的个性化面部识别模型，可部署在边缘设备上。该方法的关键在于创造性地生成困难样本并精心安排训练目标。我们的模型仅需 23k 参数和 5M 浮点运算（FLOPS），并且使用六个面部验证数据集证明我们的方法与最先进的模型相媲美或更好，同时参数数量和计算负荷显著减少。此外，我们进行了广泛的剔除研究以证明我们方法中每个元素的重要性。

Dec, 2023

针对面部验证应用所需要效率极高和吞吐量大的需求，本文提出了基于混合深度卷积核的一组极其高效的深度学习模型 MixFaceNets，在多个数据集中对模型进行了评估，结果表明在计算复杂度相同的情况下，MixFaceNets 在所有的数据集上性能优于 MobileFaceNets，同时在计算复杂性在 500M 和 1G FLOPs 之间时，我们 MixFaceNets 的结果与排名前几位的模型相当，同时使用的 FLOPs 更少，验证了我们提出的 MixFaceNets 的实用价值。

Jul, 2021