Jul, 2023

野外环境中面部图像质量对面部识别的影响研究

PDF
TL;DR深度学习在人脸识别领域近年来越来越受关注。大量的深度学习方法已被提出来解决面临的各种问题。然而，目前关于面部图像质量对深度学习方法和人类表现的影响的研究仍较少。因此，我们提出一个问题：在无约束条件下，面部图像质量对于基于深度学习的人脸识别仍然是一个挑战吗？基于此，我们对跨质量的人脸图像进行了评估，以评估深度学习方法在野外图像上的表现，并设计了一个人脸验证实验。结果表明，在深度学习中仍需要对图像质量问题进行深入研究，并且人类在建立具有大质量差异的不同人脸图像之间的关系方面具有更好的能力，称深度学习方法超过人类水平过于乐观。
deep learningface recognitionimage qualitycross-quality face imageshuman performance
发现论文，激发创造
  • 人脸图像质量增强用于人脸识别的研究

    本文的研究主要关注在低质量照片中的人脸识别，作者从三个不同的质量数据集中进行了实验并使用先进的面部图像增强方法来提高识别的准确性，最终提出了一种新的低质量面部图像识别协议并得到实验验证。

    Jul, 2023

  • 自动人脸图像质量预测

    通过支持向量回归模型与卷积神经网络提取的人脸特征预测人脸图像质量，利用人类对人脸图像质量的评估创建跨库评估的人脸图像预测器，在减少 FNMR 方面表现出极高的效果，是第一个成功应用人工评估的跨库人脸质量预测研究。

    Jun, 2017

  • 深度学习模型对抗图像退化下的人脸识别优势和劣势

    本文通过使用野生标记人脸数据集（LFW）, 系统地研究了四种不同的深度卷积神经网络模型在面部识别任务中对图像质量、颜色信息、CNN 架构和描述符计算等不同协变量因素的影响，结果发现高噪声、模糊、缺失像素以及亮度对所有模型的识别准确性有不利影响，而对比度变化和压缩失真的影响有限，但同时发现描述符计算和颜色信息对性能没有显著影响，这对未来深度学习模型的进一步优化和改进提供了启示。

    Oct, 2017

  • 人脸图像质量评估：文献综述

    通过深度学习的方法，本文综述了可用于人脸图像质量评估的文献，探讨了该技术在人脸识别和其它应用方面的潜在应用。

    Sep, 2020

  • 低质量图像中人脸检测综述

    这篇论文回顾了目前最先进的人脸检测器在高质量图像上的表现，并评估了它们在低质量图像上的鲁棒性，结果表明，手工设计或基于深度学习的人脸检测器在低质量图像上的性能下降，需要研究更加鲁棒的设计方案。

    Apr, 2018

  • 理解图像质量如何影响深度神经网络

    本文评估了四种最先进的深度神经网络模型在图像分类方面对模糊、噪声、对比度、JPEG 和 JPEG2000 压缩等五种图像质量扭曲的表现，结果表明现有网络对图像质量扭曲特别是模糊和噪声较为敏感，这为未来开发更具抗图像质量扭曲能力的深度神经网络开展了研究。

    Apr, 2016

  • 极端环境下的人脸检测：机器学习方法

    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

  • 基于深度学习的人脸识别特征表示全面分析

    本文综合评估了基于深度学习的面部表示在不同条件下的性能，仍需预处理，如姿态和光照归一化以在各种条件下取得更好的性能。

    Jun, 2016

  • 人脸质量评估及其与人种和非人种偏见在人脸识别中的相关性

    本文分析了人脸质量评估和识别偏见之间的相关性，发现当前人脸质量评估算法也存在偏见，应注意公平和歧视问题。

    Apr, 2020

  • 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