一个实时面部分析系统
本文提出一种使用单个深度卷积神经网络进行人脸检测,人脸对齐,姿态估计,性别识别,微笑检测,年龄估计和人脸识别的多用途算法,通过多任务学习框架实现了对 CNN 模型的共享参数的规范化,并在不同领域和任务之间建立协同关系,实验结果表明该网络对人脸具有更好的理解,并在大多数任务方面实现了最先进的结果。
Nov, 2016
通过将三维面部模型与深度学习方法相结合,本研究提出了一种新的方法来增强面部分类和识别任务,从而精确分析和分类面部属性。使用三维面部模型提取各种任务的最有用信息,从而提高了分类准确性。将三维面部洞察力与 ResNet 结构相结合,本方法取得了显著的结果:100%个体分类准确性,95.4%性别分类准确性和 83.5%表情分类准确性。这种方法有望推进面部分析和识别的研究。
Dec, 2023
该研究针对人脸识别中的关键问题:人脸检测、人脸对齐和人脸识别,通过在同一骨干架构下进行面部识别方法的比较基准测试,提出了最新的人脸识别状态,针对红外图像、无遮挡、带口罩、戴眼镜等情况对不同的识别算法进行了评估。
Nov, 2022
本研究提出了一种基于深度学习和面部视频数据的情感检测方法,使用 Convolutional Neural Network 训练一个能够估计三维表情模型参数的模型,并结合情感分类器,能够高效准确地从动态图像中识别面部表情,且在基本情感和压力情感的识别任务中超过了其他方法。
May, 2020
本研究提出了一种基于静态图片实现的轻量级算法,用于实时进行人脸表情识别、情绪分类和特征提取。 Multi-Layer Perceptron (MLP) 神经网络是基于前面的算法进行训练的,提取几何和纹理特征,生成特征向量,用于训练三层 MLP,其测试准确度达到 96%。
Jan, 2022
本文综述了自 2001 年以来至今关于面部表情识别的研究工作以及该领域的进展,包括面部表情识别的应用、数据库的使用和标准化等方面。此外,还讨论了使用 FACS 行动单元和 MPEG-4 面部动画参数进行面部参数编码的方法和近年来面部检测、跟踪和特征提取方法的进展。最后,本文总结了挑战和未来方向。
Mar, 2012
最近机器学习和计算机视觉的进展使得人脸识别的准确率超越了人类表现。然而,我们质疑这些系统在真实的法庭鉴定情景中是否能够有效应用,因为在这种情景下,图像往往是低分辨率、低质量且被部分遮挡。本研究构建了一个大规模的合成人脸数据集,并创建了一个控制的人脸法庭鉴定场景,通过这两者的结合,可以在一系列真实环境条件下对人脸识别进行控制性评估。通过使用这个合成数据集和一个包含真实人脸的流行数据集,我们评估了两个常见的基于神经网络的人脸识别系统的准确性。我们发现,在这种更具挑战性的法庭鉴定情景中,先前报道的超过 95% 的人脸识别准确率下降到了 65%。
Nov, 2023
本文综述了关于自动 RGB,3D,热成像和多模式面部表情分析的研究,定义了新的分类法并描述和分类了最先进的方法,同时呈现了重要数据集和基准测试。作者对当前的趋势、重要问题和未来研究方向进行了总结讨论。
Jun, 2016
本文提出了用于面部分析的偏差检测 / 估计和减轻算法,并对已提出的偏差检测算法进行了系统综述。其主要贡献是对现有的偏差缓解算法进行了分类和广泛的概述。我们还讨论了偏差面部分析领域中的开放挑战。
Dec, 2021
本研究探讨轻量级卷积神经网络的多任务学习,用于识别人脸和分类面部属性(年龄,性别,种族),并在没有距离边缘的剪裁人脸上进行训练,需要微调这些网络以预测面部表情;使用 MobileNet、EfficientNet 和 RexNet 架构提出了几种模型,并在 UTKFace 数据集上证明了它们接近最新的年龄、性别和种族识别结果,在 AffectNet 数据集的情感分类上也表现出色;此外,展示了将已训练的模型用作视频帧中面部区域的特征提取器,其识别精度比以前已知的情感分类挑战的单一模型高 4.5%。
Mar, 2021