Apr, 2023

人脸成分关系下的亲属关系表示学习

PDF
TL;DR本文提出了一种基于面部部件关系网络和交叉注意机制的亲属关系识别方法 FaCoRNet，能够更准确地识别亲属关系，取得了最大的公开数据集 FIW 上最优的成果。
kinship recognitionfacial imagesface componential relation networkcross-attention mechanismfiw benchmark
发现论文，激发创造
  • 层次化表示学习在亲属关系验证中的应用

    该研究通过人类研究和基于过滤器和压缩正则化惩罚的新颖特征表示方法（fcDBN）提出一种层次化的亲属验证方法，并使用 WVU 亲属数据库验证其在人脸验证中的性能提升。

    May, 2018

  • 基于图的亲属关系推理网络

    本文提出了一种基于图像的亲属关系推理（GKR）网络，用于亲属关系验证。该方法构建一个亲属关系图，通过递归消息传递在该图上进行关系推理，并通过对提取的特征对进行比较和融合来推理亲缘关系。在 KinFaceW-I 和 KinFaceW-II 数据集上进行的广泛实验结果表明，该方法优于现有方法。

    Apr, 2020

  • 面部预处理技术在基于张量分析的稳健亲属关系验证中的威力

    使用野外拍摄的面部照片进行亲属关系验证是计算机视觉科学中的研究难点之一，本研究介绍了一个基于面部图像的亲属相关性检查系统，通过面部预处理、特征提取和降维等方法，有效地提高了亲属关系验证的效率。

    Dec, 2023

  • 可控子孙脸生成

    本文提出了一种新的可控后代脸部合成方法，旨在通过建模两个父母脸和一个孩子脸之间的二对一亲属关系，实现合成脸与父母脸之间的准确相似度控制。通过对遗传模块和属性增强模块建模，还可控制年龄和性别。利用诸如年龄和性别标签的训练脸，我们提出了一种有效的模型训练策略。三个公共基准数据库上的全面实验评估展示了鼓舞人心的结果。

    Feb, 2020

  • 面部老化和亲缘关系建模：一项调查

    本论文回顾了计算机面部建模方面的最新进展，包括面部衰老和亲属关系，提供了最新的数据集，分析了几何、手工制作和学习面部特征的方法，评估协议和指标的回顾，分析了每个任务的实验结果，并分析了遇到的挑战和未来的研究方向。

    Feb, 2018

  • KFC: 基于公平对比损失和多任务学习的亲属验证

    我们提出了一个名为 KinRace 的更大且完整的数据集，结合了现有的亲属关系数据集，并为每个身份标记了正确的种族信息；我们还通过引入多任务学习模型结构和注意力模块来提高准确性；最后，我们使用公平感知对比损失函数和对抗性学习来减轻种族偏见。通过详尽的实验评估，我们证明了所提出的 KFC 方法在标准差和准确性方面的有效性和卓越性能。

    Sep, 2023

  • 通过多尺度 Retinex 和深浅特征提高亲属验证

    运用多尺度 Retinex 前处理方法，结合深浅纹理描述符，通过逻辑回归方法在评分水平上巧妙地融合，从而提高图像质量和对比度，从而在亲缘验证方面取得了鲁棒性和效果优异的结果。

    Dec, 2023

  • 使用 1DCNN 注意力网络从 rPPG 进行亲属验证

    使用远程光电容积描记法（rPPG）信号进行面部亲缘关系验证的研究。提出了一种一维卷积神经网络（1DCNN）与 1DCNN-Attention 模块和对比损失相结合的方法，通过从不同 ROI 提取的多个 rPPG 信号为输入，学习亲缘相似性。最终，该方法在不同亲缘关系的 UvANEMO 微笑数据库上进行评估，展示了 rPPG 信号在验证亲缘关系中的实用性。

    Sep, 2023

  • 强大的亲属验证的新方法：色彩 MS-BSIF 特征学习

    该论文提出了一种新的方法，用于基于面部图像从血统上验证亲属关系，并确定这种基因关系的准确类型或程度。使用 LBP 和颜色 BSIF 学习特征进行比较和 TXQDA 方法进行降维和数据分类。实验结果证明了我们框架的可靠性，并超越了其他最先进技术的性能。

    Dec, 2023

  • 从面部图像中学习社交关系特征

    本研究使用深度模型从面部图像中学习捕捉性别、表情、头部姿势、年龄等属性，采用面部间的配对推理进行社交关系预测，实验证明我们的方法有效用于图像和视频中细粒度社交关系的学习。

    Sep, 2015