迈向近红外 - 可见光蒙面人脸识别
本文提出了一种利用 Disentangled Variational Representation (DVR) 进行 NIR 和 VIS 模态匹配的方法,在生成具有内在身份信息和内部变化的脸部表示的基础上,通过探索解缠绕潜变量空间,使用变分下界对 NIR 和 VIS 表示进行优化,取得了较大的改进。
Sep, 2018
本文提出了一种将视觉光谱中深度学习用于人脸识别扩展到近红外光谱的方法,其核心组件为跨光谱幻觉和低秩嵌入,可实现近红外光谱人脸图像的识别,并在 CASIA NIR-VIS v2.0 基准测试中取得了最先进的准确性。
Nov, 2016
利用大规模可见光数据对大型神经网络进行预训练,然后采用正则化的微调策略,通过将异构人脸识别问题视为低数据微调问题,达到或超过四个公开基准的最新成果。
Dec, 2023
本文提出了一种利用深度神经网络来捕捉 2 种不同模式下人脸匹配问题的非线性映射关系,以达到跨模式人脸匹配的目的,并在 3 个数据集上获得了相当大的识别率提升。
Jan, 2016
本文首次尝试深度近红外 (NIR) 面部表情识别,提出了一种名为近红外面部表情转换器 (NFER-Former) 的新方法。通过引入自注意力正交分解机制和超图引导特征嵌入方法,可以在缺失可见光信息的情况下提取表情特征,并构建大型 NIR-VIS 面部表情数据集来验证 NFER-Former 的效率。通过广泛的实验和剔除研究,证明 NFER-Former 明显改善了 NIR 面部表情识别性能,并在 Oulu-CASIA 和 Large-HFE 这两个唯一可用的 NIR 面部表情识别数据集上取得了最新的成果。
Dec, 2023
本研究提出了一种新颖的特征学习框架,通过利用密集对应的交叉模态人物图像,像素级地抑制与模态相关的特征,从而更有效地促进交叉模态本地特征的判别式特征学习,从而解决了可见 - 红外人物重识别的问题。
Aug, 2021
本文提出了一种新颖的方法:Wasserstein CNN,用于学习近红外和可见光面部图像之间对于解决异构人脸识别具有挑战性的问题具有不变性的特征。
Aug, 2017
本论文提出了一种四流框架,通过深度卷积神经网络中不同的输入图像表示来学习不同的特征,从而改善可见光 - 红外人员重识别系统的性能。实验结果表明,该框架在多个数据集上优于当前最先进的方法。
Jul, 2019
该研究提出了一种可见光与近红外图像融合的方法,通过使用 RGBT 传感器获取的可见图像和近红外通道的信息,利用 SSIM 损失和边缘保护等技术进行融合,并在实验证明相比其他方法,该方法在多光谱融合方面取得了更好的结果。
Jul, 2023
提出了一种使用生成对抗网络的无监督学习方法,来实现热红外相机拍摄图像的可视化处理,相较于现有的监督学习模型,该模型在 KAIST-MS 数据集上表现更好,并且对新环境具有良好的泛化性能。
Apr, 2019