智能画框选取作为人脸识别的隐私友好替代方案
提出一种有效的基于 patch 的人脸图像质量评估算法,该算法综合考虑了人脸图像的几何对齐、锐度、头部姿势等因素,能够识别最正面、对齐、锐利和照明良好的图像,并在实验中表明在人脸子集的选择方面,该方法优于现有技术,使人脸识别准确度显著提高。
Apr, 2013
本文提出了一种基于随机子网络的人脸图像质量评估方法,使用嵌入变化来估计样本表示的健壮性和相应的图像质量,并在三个公开数据库上进行了交叉数据库评估。实验表明,此方法超过了其他学术和工业界的六种方法,表现出稳定的性能。
Mar, 2020
本文的研究主要关注在低质量照片中的人脸识别,作者从三个不同的质量数据集中进行了实验并使用先进的面部图像增强方法来提高识别的准确性,最终提出了一种新的低质量面部图像识别协议并得到实验验证。
Jul, 2023
通过支持向量回归模型与卷积神经网络提取的人脸特征预测人脸图像质量,利用人类对人脸图像质量的评估创建跨库评估的人脸图像预测器,在减少 FNMR 方面表现出极高的效果,是第一个成功应用人工评估的跨库人脸质量预测研究。
Jun, 2017
通过利用自动编码器将面部图像向量转化为新的表示,本研究提出一种缩小有标签训练数据差距的方法,从而在无监督的人脸验证技术方面取得了 56%的 EER 相对改进,成功缩小了余弦和 PLDA 评分系统之间的性能差距。
Dec, 2023
提出了一个用于多个挑战性情景的视频人脸识别的鲁棒且高效的系统,包括人脸 / 标志检测、人脸关联和人脸识别等模块,特别是针对多镜头视频设计了精心的人脸关联方法,采用一种基于无监督子空间学习方法和子空间到子空间相似度度量的人脸匹配器来识别人脸,广泛实验表明该系统可以准确地检测和关联未约束的视频中的人脸,并有效地学习到具有鲁棒性和区分性的特征用于识别。
Dec, 2018
该研究介绍了三种人脸访问模型,使用深假面替换未经批准的面孔,并提出了适用于此任务的新度量标准,通过在真实数据集和两个合成数据集上测试,证明了该系统的有效性,并对相似性度量、深假面生成器和数据集进行了广泛分析。
Nov, 2022
该研究旨在提高现有面部图像质量评估(FIQA)技术的性能与稳定性以适用于真实世界场景。采用基于监督质量标签优化的方法,结合特定的面部识别模型(ArcFace,ElasticFace,CurricularFace),在五个常用基准测试数据集上,对六种最新的 FIQA 方法(CR-FIQA,FaceQAN,SER-FIQ,PCNet,MagFace,SDD-FIQA)进行了全面的实验评估,取得了令人鼓舞的结果。
May, 2023
介绍了 QMUL-SurvFace benchmark,提供了低分辨率监控图像的面部识别挑战,利用五个具有代表性的深度学习面部识别模型进行了评估,结果表明目前的技术仍然远不能满足实际的刑事犯罪调查需求。
Apr, 2018