本文提出了三种不同类型的口罩脸识别数据集，以提高口罩脸识别技术的识别性能，并开发了多粒度口罩脸识别模型，其准确率可达 95％，超过行业报道的结果。

Mar, 2020

在后疫情时代，面对戴口罩给普通人脸识别带来的巨大挑战，研究人员使用预训练的 VGG16 和 ResNet50 模型提取特征，并创建了一个更具挑战性的带口罩人脸数据集，通过选择 50 个身份从 Labelled Faces in the Wild (LFW) 数据集中提取的 1702 张图像并模拟口罩。研究的另一部分是解决带口罩人脸识别问题，通过在新数据集上微调模型，并直接使用最后一层线性层进行分类，提出了数据增强策略来进一步提高测试准确率，同时还使用了 Inception ResNet v1 等新型网络进行微调。在 50 个身份的带口罩人脸识别测试中，最佳准确率达到 95%。

Nov, 2023

面罩脸部识别（MFR）是生物识别中的关键领域，尤其是全球 COVID-19 疫情导致广泛戴口罩。本综述论文对具有面罩的个体识别和检测中的挑战和进展进行了全面分析，这一领域由于需要适应新的社会规范而发生了创新的变化。通过深度学习技术的先进和面蒙面识别（FMR）以及面部去蒙面（FU）代表着重要的研究领域。这些方法解决了由完全到部分遮挡面部特征所带来的独特挑战。我们综合审查了针对 MFR、FMR 和 FU 开发的各种基于深度学习的方法，突出了它们的独特挑战和应对方法。此外，我们还探讨了专门用于评估 MFR 研究性能的基准数据集和评估指标。该综述还讨论了研究人员在这一领域面临的重大障碍，并提出了未来进一步发展更稳健有效的面罩脸部识别系统的方向。本文为研究人员和从业者提供了宝贵的资源，洞察了面对全球卫生危机及其后果时面部识别技术的演变景观。

May, 2024

本文提出了一种基于 ArcFace 工作、利用数据增强和 Multi-Task ArcFace 算法的全面训练流程，可识别戴口罩的人脸，同时还可以检测人们是否佩戴口罩。此方法大大提高了识别准确性，并在口罩使用分类方面达到了 99.78% 的平均准确度。

Apr, 2021

本文提出了一种基于遮挡和深度学习特征的可靠方法来解决口罩蒙面等遮挡因素下的人脸识别问题，并使用预训练的卷积神经网络提取眼睛和前额区域特征以及使用多层感知器分类识别。实验结果表明该方法有较高的识别性能。

May, 2021

本研究针对戴口罩的情况下进行深度人脸识别的挑战，收集不同群体的测试集，建立了一套在线模型测试系统并持续更新排名和研究成果。

Aug, 2021

本研究使用 Flickr-Faces-HQ 和 SpeakingFaces 数据集对戴口罩与不戴口罩的人脸识别进行比较，发现在疫情边境检查场景下，口罩会导致 36.78％的性能下降，但使用跨光谱深度学习方法可将性能下降降至 1.79％。

Jan, 2022

本研究探究了配备口罩检测器的现代人脸识别系统在大规模戴口罩时的潜在漏洞，并提出了一种新的任务 —— 生成逼真的对抗性口罩面孔以欺骗两个系统，经过实验后发现对近期的深度学习人脸识别系统来说具有破坏性。

Jan, 2022

基于人工智能的人脸识别系统在全球范围内被广泛分发和部署，尤其在 COVID-19 大流行之后，用于从验证购买 SIM 卡的个人面孔到对公民的监视等任务。在这项研究中，我们对 14,722 张图像的五个基准数据集进行了模拟的验证 / 监视任务，审核了四个商业和九个开源人脸识别系统，测试不同类型的有口罩和无口罩图像之间的面部再识别。结果发现大约三个商业系统和五个开源系统非常不准确，并且进一步加剧了对非白人个体的偏见。这表明系统设计者、立法者和用户需要重新思考人脸识别系统的设计原则，特别是在面部再识别任务中，认识到观察到的偏见问题。

Feb, 2024

本文介绍了一项关于带口罩可识别面部的研究，通过使用 6 种机器学习算法并生成遮面脸部图像，我们评估了这些算法在带口罩和不带口罩的情况下的识别表现。

Jun, 2023