应对人脸验证边缘案例:深入分析与人机融合方法
研究面部识别技术在跨种族验证方面的种族偏差问题以及基于挑战性测试,发现 2019 年的 ArcFace 面部识别算法和两种最先进的系统比人类更准确地识别黑白人脸,但需要进一步探讨这一结果在野外环境中应用的普遍性。
May, 2023
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
该研究报道了大数据技术对人脸识别性能的影响,基于此构建了 Megvii 人脸识别系统,并在现实世界的安全认证场景中证明了其 99.50% 的准确率表现,并指出人工智能识别和人类识别之间仍存在巨大差距,未来在人脸识别领域仍需面对三个挑战,提出了可能的解决方案,希望能够激发学术界对于研究基准和实际应用之间的差异进行讨论。
Jan, 2015
本文提出一种深层级联多任务框架,通过三层深度卷积神经网络的分级设计,在对人脸和人脸特征区域进行预测的粗到细的过程中,利用其中的内在相关性以提高人脸检测和特征点定位的性能,在学习过程中还采用一种新型的在线困难样本挖掘方法,能够自动提高性能而无需手动样本选择。
Jan, 2022
该研究论文通过深度神经网络模型实现人脸验证,并研究了人脸验证系统所遭受的对抗攻击,提出了 DodgePersonation Attack 及其相关分类,以及一种名为 ''One Face to Rule Them All'' Attack 的攻击方法来欺骗人脸验证系统。
Sep, 2023
计算机视觉领域中,人脸检测是大多数处理包含人的图像的应用的核心组件。尽管该领域已经有了很多研究,但人脸检测仍存在问题,如准确性和速度。本综述论文展示了该领域的进展以及仍需解决的重要问题,并提供了研究方向,可作为人脸检测领域的研究项目。
Feb, 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
研究者使用 Million 的人脸图像数据集,评估各种最先进的人脸识别算法的表现,并发现大规模情况下的性能变化,尤其是深度学习方法在大规模情况下依然表现良好,但对于规模的变化也变得不够鲁棒。研究者还通过机械土耳其进行了广泛人类研究,并报告了结果。
May, 2015