CVPRMar, 2022

基于图式元聚类和正则化适应的局部自适应人脸识别

PDF
TL;DR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。
local-adaptive face recognitionmeta-optimizationembedding cluster modelmodel adaptationprivacy
发现论文，激发创造
  • 面部识别联邦无监督领域自适应

    本文提出了一种联合优化聚类域自适应与联邦学习的方法来解决隐私约束下使用的人脸识别问题，并在新构建的基准测试数据集上进行了广泛的实验，证明在不同的评估指标上，该方法在目标域上的表现优于基线和经典方法 3％至 14％。

    Apr, 2022

  • 学习在亲和图上聚类人脸

    本文探讨了人脸识别中如何有效聚类未标记数据的问题，提出了一种基于图卷积网络的新方法，可以更准确地聚类人脸并提升识别性能。

    Apr, 2019

  • 隐私不可知聚类提升联邦学习人脸识别

    通过使用隐私敏感的 DPLC 机制和全局一致性感知损失函数，本文提出了 PrivacyFace 框架来改善联邦学习人脸识别，该框架在 IJB-B 和 IJB-C 上分别提高了 9.63% 和 10.26% 的精确率，并在大规模数据集上的大量实验中证明了其有效性和实用性。

    Jan, 2022

  • 自适应全局局部表征学习与选择 用于跨领域面部表情识别

    针对交叉领域面部表情识别中领域转移的挑战，提出一种自适应的全局 - 局部表示学习与选择框架，通过全局 - 局部对抗性适应和语义感知伪标签生成来增强训练中的领域不变性和判别特征学习，同时，在推断过程中引入了全局 - 局部预测一致性学习来改进分类结果，通过一系列实验，结果表明该框架在公平评估中比现有竞争方法表现出明显的优势。

    Jan, 2024

  • AdaFedFR: 自适应跨类别表征学习的联邦人脸识别

    提出了一种简单但有效的联邦人脸识别框架 AdaFedFR，通过设计一种自适应的类间表示学习算法，在严格保护隐私的情况下提高泛化性能和联邦训练的效率。实验结果表明，该方法在几个常见的人脸识别基准上优于以前的方法，仅用不到 3 次通信轮次，展现出友好的通信性能和高效性。

    May, 2024

  • 优化子图聚类算法用于人脸聚类

    本文提出了一种高效的邻域感知子图调整方法，可以显著减少噪声并提高子图召回率，从而驱动远程节点收敛到同一中心。该方法包括提取嵌入向量和构建节点对封闭子图两个部分，结合预测链路概率来产生新的子图用于图卷积网络或其他聚类方法的聚合。实验结果表明，该方法在三个基准数据集上优于现有解决方案。

    Apr, 2023

  • 利用图卷积网络的基于连锁的人脸聚类

    本文提出了一种精确可扩展的面部聚类方法，将任务表述为链接预测问题，并构建子图进行推理。实验表明，该方法对于面部复杂分布更为稳健，可扩展到大数据集，并且不需要先验聚类数量，能够检测噪音和异常值，并且可扩展到多视角版本以获得更准确的聚类精度。

    Mar, 2019

  • 基于本地自适应聚类的自动视觉识别中的图像匹配

    本文介绍了一种基于计算机视觉的视觉辅助识别系统，通过图像匹配在监控视频中实现实时自动设备标注。该系统采用 ORB 算法提取图像特征和 GMS 算法去除错误匹配点，利用局部自适应聚类（LAC）方法来增强标签定位，该方法通过聚类中心对匹配模板进行分割，提高了标签的效率和稳定性。实验结果表明，LAC 有效地限制了标签的漂移。

    Jan, 2024

  • 具有梯度修正的面部识别联邦学习

    本研究提出 FedGC 框架，通过梯度修正和基于 softmax 的正则化器，实现人脸识别的联邦学习并提高隐私保护，实验证明 FedGC 在常用基准数据集上的性能达到了传统集中式方法的水平。

    Dec, 2021

  • 通过置信度和连通性估计学习人脸聚类

    本文提出了一种基于图卷积网络的可学习的人脸聚类框架，通过用两个图卷积网络分别估计节点置信度和边的连通性，实现了高效准确地人脸聚类。通过在两个大规模数据集上的实验，证明了该方法显著提高了聚类准确性，并在不损失性能的情况下大幅提升了识别模型的计算效率。

    Apr, 2020