ECCVMar, 2021

面部表征学习的预训练策略和数据集

PDF
TL;DR本文讨论了学习通用人脸表征的最佳方法，介绍了用于面部表征学习的综合评估基准，研究了人脸表示学习的两种方法（监督和非监督预训练），并调查了训练数据集的重要特征，通过大量实验，发现无监督的预训练方法在各种人脸任务中表现出一致性和显著的准确性提高，同时也发现现有的一些人脸视频数据集存在大量的冗余。
facial representation learningsupervised learningunsupervised pre-trainingfew-shot facial learningin-the-wild data
发现论文，激发创造
  • 针对深度人脸识别的通用表示学习

    本文提出了一种通用表征学习框架来提高人脸识别的性能，包括合成训练数据、分割特征嵌入、用不同自信值调整训练的过程，以及通过正则化分类和对不同划分的变体进行对抗训练损失来减少相关性。实验结果表明，该方法在 LFW 和 Megaface 等人脸识别数据集上取得了最佳性能，而在 Tinyface 和 IJB-S 等极端数据集上表现显著优于其他方法。

    Feb, 2020

  • 基于深度学习的人脸识别特征表示全面分析

    本文综合评估了基于深度学习的面部表示在不同条件下的性能，仍需预处理，如姿态和光照归一化以在各种条件下取得更好的性能。

    Jun, 2016

  • 无监督学习人脸表征

    本文提出了一种无监督学习 CNNs 的方法，通过从视频帧中提取面孔对来获得受监督的训练数据并获得比手工制作特征和最先进的深度网络更高的低分辨率验证准确性，表明开发适用于姿势和光线变化的人脸验证模型是可行的。

    Mar, 2018

  • 走向无监督表示学习：学习、评估和传递视觉表示

    无监督表示学习、卷积自组织神经网络、评估协议、表示传输、图像到图像转换

    Nov, 2023

  • 一种视觉语言式的通用人脸表征学习方法

    本研究提出了一种通用的人脸表示学习框架（FaRL），其使用对比损失和掩蔽图像建模来同时掌握高层语义和低层信息。在大量的图像和文本对上进行预训练并在多个下游任务中验证其性能，在人脸解析和人脸对齐等人脸分析任务中展现了比以往预训练模型更好的迁移表现。

    Dec, 2021

  • 具有面部区域感知的自监督面部表征学习

    本研究提出了一种新型的自监督人脸表征学习框架 (Facial Region Awareness, FRA)，目标是通过匹配面部局部表征来学习一致的全局和局部面部表征，并通过在特征图上计算面部蒙版嵌入的余弦相似度来获取热图，进而证明在面部分类和回归任务中，FRA 模型优于之前的预训练模型和现有方法。

    Mar, 2024

  • 基于自编码器的人脸验证系统

    研究论文旨在提出一种减少对标记数据依赖的替代方法，通过在面部图像识别任务中利用自编码器预训练和两步过程来实现。自编码器首先以无监督的方式使用大量无标签的训练数据集进行训练，然后使用预训练自编码器的初始化参数进行深度学习模型的训练。该方法的实验结果表明，使用预训练自编码器参数初始化的深度神经网络可以达到与现有方法相媲美的效果。

    Dec, 2023

  • 自监督视频表征学习基准测试

    本文提出了用于视频领域的自监督学习基准，并对数据集大小、数据分布、数据噪声、自监督预训练架构相关的五个不同方面进行了观察分析，同时提出一种新方法，不需要过多的训练数据，即可超越现有自监督预训练的先进水平。

    Jun, 2023

  • LAFS：基于地标的人脸自监督学习用于人脸识别

    本文主要研究面部表示学习及其在面部识别中的应用，通过自我监督预训练学习未标记面部图像以提高面部识别性能，并采用基于地标的面部自我监督学习（LAFS）方法，通过提取面部地标实现关键表示学习，同时结合地标特定的数据增强以增加地标信息多样性，进而调节学习过程中地标位置的差异，并在多个面部识别基准测试中取得显著的改进效果，尤其是在更具挑战性的少样本情景中。

    Mar, 2024

  • 无监督预训练非策展数据图像特征

    本研究提出了一种新的无监督学习方法，利用自监督和聚类从大规模数据中捕获互补统计信息，通过对 YFCC100M 中 9600 万张图片的验证，本方法已经成为标准基准测试中无监督方法中最先进的方法之一，也展示了使用本方法预训练的 VGG-16 在 ImageNet 验证集上可以获得 74.9 % 的分类精度，比同一网络从头开始训练提高了 0.8%。

    May, 2019