多任务 ArcFace 提升面部遮挡识别
本文提出了一种使用实时口罩检测来增强人脸识别系统的现有数据集的方法,并利用 MaskTheFace 工具创建大量实时口罩数据集以及使用处理后的数据集提高了 FACENET 及在实际数据集 MFR2 上的识别率。
Aug, 2020
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
通过 AI 技术的计算机视觉系统识别戴口罩人群的情感,提出了一个新的挑战。本研究提出了一种能够识别不同面具人群情感的面部情感识别系统,并采用了一种新的数据增强技术来改善模型的性能。通过对四种面具类型的每张面部图像进行训练,评估了四个卷积神经网络(Alexnet,Squeezenet,Resnet50 和 VGGFace2)的效果。实验结果显示,与单面具模式相比,我们的模型在多面具模式下的效果更好。其中,VGGFace2 网络在使用 JAFFE 数据集时的人员相关模式的准确率最高,为 97.82%,人员独立模式的准确率为 74.21%。然而,我们使用 UIBVFED 数据集评估了我们的模型。Resnet50 在人员相关模式下表现出了优越的性能,准确率分别为 73.68% 和 59.57%。此外,我们采用了精确度、敏感度、特异性、AUC、F1 值和混淆矩阵等指标来详细衡量我们系统的效率。此外,还使用了 LIME 算法来可视化 CNN 的决策策略。
Dec, 2023
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
本文介绍了一种名为 MaskFace 的高精度人脸和关键点检测模型,该模型通过多任务模型同时解决人脸检测和关键点定位问题,并在多个任务数据集上实现了良好的性能。
May, 2020
本文在人脸识别任务中探讨了卷积神经网络 (convolutional neural network) 的应用,提出了一种名为 Li-ArcFace 的新的损失函数 (loss function), 并在 MobileFaceNet 这一网络架构上进行了改进及添加注意力机制,同时总结出一些在人脸识别训练中的有用技巧,并在 LFR2019 深光科技挑战赛中荣获第二名。
Jul, 2019
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