我们提出了一个端到端系统，用于在长达 500 米和大于 50 度的高角度的情况下进行全身生物识别的检测、识别和辨认。我们的方法在各种室内、室外和航空场景下进行了全面的评估，表现出强大的识别准确性和低虚假接受率。

Nov, 2023

FarSight 是一款应用于视频监控的软件系统，可通过整合面部、步态和身体形态等信息，对全身生物识别进行端到端的设计、开发和评估，并使用深度学习模型和影像物理学相结合进行影像修复和生物特征编码，其测试结果较好。

Jun, 2023

本文通过使用无人机平台进行视觉监控，提出并构建了一个大规模的航拍人员 ReID 数据集，使用子空间池化的卷积特征映射表示对输入个人图像进行 ReID，该方法可以高效地进行端对端训练，在所提出的数据集上实验的结果表明，在航拍图像中重新识别人员是一个具有挑战性的问题，但我们的方法表现尚可优于现有技术水平。

Aug, 2019

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

构建了一个大规模的 Ground-to-Aerial Person Search 数据集 (G2APS)，其中包含两个 UAV 和地面监控摄像头的 31,770 张图像，260,559 个已标注边界框和 2,644 个身份的出现。通过对 G2APS 基准数据集进行详细分析，提出了一种简单而有效的知识蒸馏方案，该方案在 ReID 网络的头部取得了 G2APS 和之前的两个公共人物搜索数据集 (PRW 和 CUHK-SYSU) 的最新性能。

Aug, 2023

利用大规模目光记录数据集，本研究建立了基准，旨在回答关于目光驱动认证性能的基础研究问题。研究发现，当配备先进的机器学习架构和足够大的训练数据集时，目光认证可以达到 FIDO 标准所要求的准确性。

Apr, 2024

介绍了 QMUL-SurvFace benchmark，提供了低分辨率监控图像的面部识别挑战，利用五个具有代表性的深度学习面部识别模型进行了评估，结果表明目前的技术仍然远不能满足实际的刑事犯罪调查需求。

Apr, 2018

提供了 AG-ReID.v2 数据集和可解释的注意力网络，用于处理高空和地面相机拍摄的人员再识别问题，比现有基准方法表现更好。

Jan, 2024

该论文提出了一种基于多图像区域（头部、身体等）的简单的人员识别框架，以应对社交媒体照片中的人员识别问题，并针对训练和测试样本之间的时间和外观差距提出了新的识别方法，该方法在 PIPA 基准上取得了最先进的结果，对不同的特征进行了深入的分析。

Oct, 2017

提出了一个新的弱监督框架，采用参数高效的自注意力模块来生成领域不可知的表示，将湍流和清晰图像对齐到一个共同的子空间中，引入了一个新的倾斜映射估计器，用于预测湍流图像中观察到的几何失真，在画廊匹配中重新排序，排名 1 准确度提高了 13.86%，无需生成无湍流的图像或真实配对的图像，仅需要少量的注释样本，并使得越来越大的数据集更具实用性和迅速性。

Aug, 2023