利用对抗信息网络的自适应人脸识别

May, 2023

利用对抗信息网络的自适应人脸识别

Adaptive Face Recognition Using Adversarial Information Network

Mei Wang, Weihong Deng

TL;DR本文介绍了一种针对人脸识别中源域和目标域数据不匹配问题的方法 —— 通过提出一种新的对抗信息网络来实现无监督域适应，并在两种情况下得到了验证。

Abstract

In many real-world applications, face recognition models often degenerate when training data (referred to as source domain) are different from testing data (referred to as target domain). To alleviate this mismatch caused by some factors like pose and skin tone, the utilization of pseu

face recognition unsupervised domain adaptation adversarial information network mutual information loss domain generalization

发现论文，激发创造

基于聚类的域自适应深度人脸识别

本文提出了一种基于聚类的领域自适应方法，通过全局对齐特征域和本地区分目标聚类的方式来有效学习判别性目标特征，经过广泛的实验，证明了该方法在面部识别任务方面具有先进性能。

May, 2022

面部反欺诈的自领域适应

本研究提出了一种自适应框架以应对面部反欺骗技术面临的跨域泛化问题，使用基于元学习的领域自适应算法，利用未标记的测试域数据来更新适配器以进一步提高性能。在四个公共数据集上的实验证明了该方法的有效性。

Feb, 2021

对抗反演图形网络：从非配对式监督中学习二维到三维转换和图像转换

利用 Adversarial Inverse Graphics networks 构建弱监督的神经网络模型实现对图像的转换，重建与估计，优于只有配对注释的监督模型。

May, 2017

AFAN: 增强特征对齐网络用于跨域目标检测

本研究提出了一个新颖的增强特征对齐网络，通过引入中间域图像生成器和域敌对训练，将中间域图像逐步桥接域差异，进而增强源域注释数据。该方法在标准基准测试中显著优于现有方法，在相似和不相似的领域适应方面具有很好的效果。

Jun, 2021

对抗性人脸合成

该论文提出 AdvFaces，一种基于生成对抗网络 (GAN) 的自动化方法，用最小的扰动生成看似合法但实际上能够欺骗最新人脸识别系统的假冒人脸或模糊真正主题的攻击性人脸图像。

Aug, 2019

DomainInv: 对于 QA 领域适应性的领域不变微调和对抗标签校正

本研究提出了一种无监督域自适应方法，采用 Fine Tuning 和 Adversarial Label Correction，将目标领域的表示从源领域传递到靠近源领域，以此最小化目标领域实例和源实例之间的距离，并在多个目标 QA 数据集上得出了性能提升。

May, 2023

基于校准的域不变学习技术用于高通用性的大规模个体重识别

提出了一种基于敌对领域不变特征学习框架 (ADIN) 的方法，该方法利用视频时间戳和相机索引等 “免费” 注释来明确地学习将身份相关特征与具有挑战性的变化分离，进而取得了显著的直接跨数据集的迁移性能，更好地衡量了大规模 ReID 方法的可推广性。

Nov, 2019

面部识别联邦无监督领域自适应

本文提出了一种联合优化聚类域自适应与联邦学习的方法来解决隐私约束下使用的人脸识别问题，并在新构建的基准测试数据集上进行了广泛的实验，证明在不同的评估指标上，该方法在目标域上的表现优于基线和经典方法 3％至 14％。

Apr, 2022

基于对抗神经网络的无监督领域自适应脑损伤分割

该研究使用对抗神经网络进行无监督的领域自适应来训练一种分割方法，此方法更加稳健，并且不需要对测试领域进行任何注释，该系统在对两种头部 CT 数据进行测试时，得到的分割精度非常接近于有监督领域自适应的上限。

Dec, 2016

生成逼真的训练数据以提高人脸识别准确性

本文研究使用合成数据来增强面部数据集的可行性。我们提出了一种新颖的生成对抗网络（GAN），可以将相关身份属性与非相关身份属性区分开来。我们的 GAN 能够生成数据增强的合成图像，并且该模型可以提高面部识别模型的准确率。

Oct, 2018