CVPRApr, 2023

极低分辨率人脸识别及质量评估的可识别嵌入增强

PDF
TL;DR本文提出了一种在嵌入空间中提高人脸可识别性的方法，该方法基于两个标准：每个面嵌入与不可识别面群集中心的接近程度以及每个面嵌入与其正面和负面类原型的接近程度，并引入了感知注意机制来关注最具识别性的面部区域。经过对三个具有挑战性的低分辨率数据集和面部质量评估进行了广泛的评估，证明了所提出的模型在 VLRFR 方面的优越性。
very low-resolution face recognitionrecognizability indexembedding spaceperceptibility attention mechanismface quality assessment
发现论文，激发创造
  • 低质量图像中的人脸识别：一项调查

    本文综述了过去五年中低分辨率人脸识别的各种方法及相关工作，涉及视频监控、超分辨率、去模糊等技术，并对数据集和实验设置进行了描述，最后总结了一般限制和未来努力的优先事项。

    May, 2018

  • 利用不可识别人脸来提高人脸识别能力

    本文介绍了一个基于深度神经网络实现的面部图像嵌入方法，并提出了一种计算人脸图像可识别性的度量方法，将其应用到面部识别系统设计中，其中计算出的 “无法识别身份” 的距离被用于示例验证。在 IJB-C 身份验证基准测试中，本文方法将单图面部识别错误率降低了 58％（FAR = 1e-5），将集合识别错误率降低了 24％（FAR = 1e-5）。

    Jun, 2021

  • 野外低分辨率人脸识别：比较和新技术

    本文分析在野外捕捉到的低质量条件下的人脸识别技术，提出了超分辨率方法、深度学习和有监督的判别学习方法来处理这个问题，并在 SCFace 和 UCCSface 数据集上进行了评估。

    May, 2018

  • 使用深度网络研究极低分辨率图像识别

    本研究探索了非常低分辨率识别问题，提出一种应对 LR-HR 领域不匹配和异常值鲁棒性的深度学习方法 ——Robust Partially Coupled Networks，使用超分辨率、域适应和鲁棒回归等技术。通过在面部识别、数字识别和字体识别等三种不同 VLRR 任务中的优异表现，证明了所提出模型的有效性。

    Jan, 2016

  • 低分辨率人脸识别中的分辨率增强和度量：一个简单但有效的新基线

    研究提出一种新的处理低分辨率人脸识别的框架，其中采用了多分辨率增强和基于对数指数距离函数的度量损失，能够有效克服低分辨率下表现退化的问题，并在多种实验数据集上表现出良好的识别性能。

    Feb, 2023

  • SER-FIQ: 基于随机嵌入鲁棒性的无监督人脸图像质量估计

    本文提出了一种基于随机子网络的人脸图像质量评估方法，使用嵌入变化来估计样本表示的健壮性和相应的图像质量，并在三个公开数据库上进行了交叉数据库评估。实验表明，此方法超过了其他学术和工业界的六种方法，表现出稳定的性能。

    Mar, 2020

  • 双向胶囊网络用于非常低分辨率图像识别

    本篇研究提出了一种新型的双重定向胶囊网络模型 (DirectCapsNet)，它利用胶囊层和卷积层的组合来学习有效的非常低分辨率 (VLR) 图像识别模型，并提出了两种新的损失函数： HR-anchor loss 和 Targeted Reconstruction Loss，以克服 VLR 图像信息内容有限的挑战，在 VLR 数字分类和面部识别实验中与最先进的算法进行比较，结果表明，DirectCapsNet 表现出最先进的结果，例如，在 UCCS 面部数据库上，当 16x16 图像与 80x80 图像匹配时，其精度超过 95％。

    Aug, 2019

  • 基于多分支孪生嵌入学习的极低分辨率活动识别

    本论文提出了一种从极低分辨率视频（如 16x12）中识别人类活动的方法，既能够分析偏远地区的活动，同时也能实现隐私保护识别。我们设计了一个新的两流多 - Siamese 卷积神经网络，能够显式捕捉低分辨率视频的内在特性。实验证明，我们的方法优于之前的低分辨率识别方法，并且在两个公开的标准数据集上具有显著的优势。

    Aug, 2017

  • 探索提高低分辨率人脸识别的因素

    本论文主要研究如何利用检测因素来提高基于深度学习的人脸识别在低质量图像下的识别准确率，通过利用 MS-Celeb-1M 数据集并对 VGGFace2 数据集进行微调，达到了 SCFace 和 ICB-RW 基准测试的最新水平。

    Jul, 2019

  • 低分辨率信息也很重要：学习多分辨率的人员再识别表示

    本文提出了一种名为 MRJL 的跨分辨率人物再识别方法，其通过分辨率重构网络和双特征融合网络提取并融合了多分辨率图像中的有效信息，并在五个基准测试中取得了优于现有方法的效果。

    May, 2021