CVPRMar, 2021

WebFace260M: 百万级深度人脸识别性能评估基准

PDF
TL;DR该研究创建了一个新的百万级人脸基准数据集，包含清理后的面部图像，以及设计了一种时间约束的评估协议，建立了分布式框架以有效地训练人脸识别模型，并在 FRUITS 协议下建立了广泛的基准线。
face recognitionbenchmarktraining datafruits protocoldistributed framework
发现论文，激发创造
  • WebFace260M: 百万级深度人脸识别基准测试

    本研究提供新的百萬級別人臉識別測試基準，名為 WebFace260M，包括 4 百萬的姓名列表和 260 百萬的人臉圖像。使用此基準，研究人員開發了有效的分散式框架，並在各種環境中進行了全面的基準測試，顯示出極大的潛力。

    Apr, 2022

  • 口罩人脸识别挑战赛：WebFace260M 赛道报告

    在新冠疫情期间，戴口罩成为常态，这给面部识别技术带来了巨大的挑战，而本研究则提供了一个对于公众具有参考价值的真实遮掩面部识别挑战基准测试集的评测。

    Aug, 2021

  • 百万脸庞大规模识别的 MegaFace 基准测试

    论文提出了 MegaFace 数据集和 MegaFace 挑战，通过增加 gallery 集中的干扰数，评估算法的性能，结果显示在万级别规模下测试揭示了算法之间的大量性能差异，并且年龄和姿态不变性对大多数算法仍然具有挑战性。

    Dec, 2015

  • MS-Celeb-1M: 大规模人脸识别的数据集和基准

    本文提出了一个基于知识库的人脸识别基准任务，建立相关的数据集，通过该任务可以识别 100 万名人的面部图像，并将其链接到相应的实体密钥。我们提供了具体的度量集，评估协议以及训练数据，并报告了有前途的基线结果，将有助于图像字幕和新闻视频分析等实际应用。

    Jul, 2016

  • MegaFace: 百万级别人脸识别

    研究者使用 Million 的人脸图像数据集，评估各种最先进的人脸识别算法的表现，并发现大规模情况下的性能变化，尤其是深度学习方法在大规模情况下依然表现良好，但对于规模的变化也变得不够鲁棒。研究者还通过机械土耳其进行了广泛人类研究，并报告了结果。

    May, 2015

  • 百万级人脸识别的公平竞争环境

    本文介绍了一个名叫 MF2 的基准测试集，要求所有算法在同一数据集上训练并在大规模人脸识别测试中进行测试。研究发现，相对于另外两个大规模测试集，算法在 MF2 上的训练效果更加出色，需要将年龄变化量放宽或调整算法来提高准确率。

    May, 2017

  • 面部遮蔽识别的大规模研究

    COVID-19 疫情期间，佩戴口罩给基于深度学习的人脸识别算法带来了巨大的挑战。本文在 ICCV MFR WebFace260M 和 InsightFace 非约束场景两个赛道中提出了解决方案，关注了规模庞大的口罩人脸识别中的四个挑战，即超大规模训练、数据噪声处理、口罩和非口罩人脸识别准确性平衡以及如何设计易于推理的模型架构。我们希望本文对这四个方面的讨论能够指导未来研究朝着更强大的口罩人脸识别系统发展。

    Oct, 2023

  • 面罩识别挑战赛: InsightFace Track 报告

    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

  • 从零开始学习面部表征

    该研究提出了一种半自动方式从互联网收集人脸图像并构建了一个包含大约 10000 个主体和 500000 个图像的大规模数据集，命名为 CASIAWebFace，使用该数据库，我们使用一个 11 层 CNN 学习区分性表示并获得在 LFW 和 YTF 上的最新准确性。

    Nov, 2014

  • DigiFace-1M: 100 万数字人脸图像用于人脸识别

    采用合成数据集进行人脸识别，通过数据扩充和精细控制属性可以显著减少真实与合成数据集之间的差异，并降低数据集的偏见和标签噪声问题，从而将识别错误率从 91.93% 降低到 96.17%，并在较少的真实样本上训练可与百万真实样本训练相媲美的识别效果。

    Oct, 2022