利用 Wasserstein 距离的年龄不变面部嵌入
本文介绍一种利用同配网络和解码器实现对 Wasserstein 距离进行逼近的方法,该方法可用于快速处理优化问题,如重心、主要方向或原型,在图像数据集上已经进行了实验。
Oct, 2017
本文提出了一种统一的、多任务的人脸识别框架 MTLFace,能够在处理年龄变化对人脸识别的干扰时实现年龄不变的身份相关特征提取,同时避免了传统面部年龄合成处理中的伪影和瑕疵,取得了较好的实验结果和性能表现。
Mar, 2021
提出了一种新的方法,可以通过对不同人的面部图像进行对比学习,准确地估计年龄,并通过结合余弦相似度和三元组边距损失来突出与年龄相关的特征并抑制与身份相关的特征。通过在 FG-NET 和 MORPH-II 两个公共数据集上取得最先进的性能,验证了我们提出的方法的有效性。
Aug, 2023
使用基于小波的生成对抗网络与面部属性向量来提高合成面部图像的质量,能够更准确地呈现面部随着时间推移带来的变化,并在现有数据集上取得了最先进的表现。
Sep, 2018
通过将线性年龄估计器嵌入到基于生成对抗网络的模型中,结合自编码器和解码器一起训练,从而实现面部图像的年龄估计和带有个性化目标年龄嵌入的面部年龄进程 / 回归,通过个性化的残差年龄嵌入和例子面部老化基础,综合估计年龄和生成个性化的老化面部。该方法改进了现有方法中连续面部老化方面的表现,取得了显著的定性和定量成果。
Apr, 2021
本文提出了一种新颖的方法:Wasserstein CNN,用于学习近红外和可见光面部图像之间对于解决异构人脸识别具有挑战性的问题具有不变性的特征。
Aug, 2017
该研究提出了一种使用 Wasserstein 距离作为损失函数的高效高斯词嵌入模型,并利用 ConceptNet 进行半监督学习,以获得更丰富的语义信息和更好的性能。
Aug, 2018