领域特定人脸检测的隐私保护在线自动机器学习
AUTOPRIV 是第一个自动化的隐私保护方法,利用元学习自动化进行去身份化过程,有助于安全发布用于机器学习任务的数据。它通过提供一系列有前景的解决方案来预测预测性能和隐私风险,从而在新领域内实现最佳近似。通过将计算复杂性和能源消耗大大降低,AUTOPRIV 具有很高的效能。
Jun, 2024
本研究提出了一种基于多特征核组合的新型软间隔学习方法,并使用领域自适应对特征进行转换,从而在三个真实的监控人脸数据集上优于许多最近的技术,以解决低对比度、噪声和光照条件下的人脸识别困难问题。
Oct, 2016
该研究介绍了三种人脸访问模型,使用深假面替换未经批准的面孔,并提出了适用于此任务的新度量标准,通过在真实数据集和两个合成数据集上测试,证明了该系统的有效性,并对相似性度量、深假面生成器和数据集进行了广泛分析。
Nov, 2022
本文提出了一种基于元学习的面部防欺诈域泛化方法,该方法以细粒度学习策略和领域知识正则化作为核心,以优化元学习过程并提高面部防欺诈模型的泛化能力,实验结果表明其有效性。
Nov, 2019
本文提出了一种隐私友好的大规模人脸识别替代方案,使用过自动抽取高质量人脸快照的方式以减少收集的个人数据。为此,本文开发了一个基于变分自编码器的无监督人脸图像质量评估方法,并通过实验验证了其有效性。
Jan, 2021
该论文提出了将 AutoML 扩展到选择适合新数据集的预训练模型和微调超参数等问题,通过元学习的零样本模型选择合适的 DL 模型,对比 ChaLearn AutoDL 挑战赛中的其他竞争者,得到了显著的表现。
Jun, 2022
通过不同的可微架构搜索方法,提出的 AutoFAE 模块在人脸检测方面表现出优异的性能,并在 WIDER Face 测试中实现了 AP 96.7/96.2/92.1 的结果。
Jan, 2022
本文提出了一种基于环境数据的本地自适应人脸识别方法(LaFR),采用基于图卷积网络(GCN)的嵌入式聚类模型,在非监督学习方式下自动训练本地适应模型,并通过新型正则化技术提高模型适应性能,从而实现在不泄露本地客户隐私的前提下,提高人脸识别模型在特定环境下的准确性能。
Mar, 2022
本文提出了一种通过元学习来实现对新的未见领域进行面部识别的方法,该方法名为 “Meta Face Recognition(MFR)”,该方法利用元优化目标综合源 / 目标域转移,并通过优化多域分布来合并梯度 / 元梯度以提高泛化性能,同时提出了两个用于泛化人脸识别评估的基准,实验结果证实了该方法的优越性能。
Mar, 2020