Jul, 2023

CoNAN：面向非约束人脸特征融合的条件神经聚集网络

PDF
TL;DR在不受限制和不受控制的环境中从图像集合中进行人脸识别是具有挑战性的，这篇论文提出了一种称为 CoNAN 的特征分布调节方法，通过学习上下文向量对特征进行加权以实现模板聚合，并在长距离自由人脸识别数据集上取得最先进的结果。
face recognitionimage setsunregulated settingsfeature aggregationtemplate aggregation
发现论文，激发创造
  • 神经聚合网络用于视频人脸识别

    本文介绍了一种神经汇聚网络（NAN）用于视频人脸识别，该网络由两个模块组成：特征嵌入模块和聚合模块，利用注意机制对变量数量的面部图像进行聚合，通过分类或验证损失训练 NAN 并打破 naive aggregation 方法的精度极限，达到了最先进的准确度。

    Mar, 2016

  • 视频人脸识别：基于组件特征聚合网络的方法 (C-FAN)

    我们提出了组件化特征聚合网络（C-FAN）作为视频人脸识别的新方法。C-FAN 自适应地将深层次特征向量聚合成一个单独的 512 维的表示一个视频序列的特征向量来实现出色的性能表现。

    Feb, 2019

  • 视频人脸识别特征聚合网络

    本文提出了一种基于元注意力聚合的方法来学习视频紧凑表示以实现视频人脸识别任务，并对其进行了实验验证和性能比较。

    May, 2019

  • 用于单阶段人脸检测的特征聚合网络

    本文中，我们提出了一种名为 FANet 的新型单阶段人脸检测器，它不仅实现了最新的性能，而且运行效率高。此外，我们还提出了一种分层损失来有效地训练 FANet 模型，并在几个公共人脸检测基准测试集上评估了所提出的 FANet 检测器，包括 PASCAL face、FDDB 和 WIDER FACE 数据集，在这些基准测试集上都获得了最新的结果。

    Dec, 2017

  • 大规模探测的人脸识别：聚类和聚合

    本文提出了一种两阶段的特征融合范式，Cluster 和 Aggregate，用于无约束人脸识别，它能够适应大规模输入，维护顺序不变性，并通过聚类特征进行序列推理。实验结果表明，所提出的范式在无约束人脸识别中具有优越性。

    Oct, 2022

  • 基于模板的人脸识别深度异质特征融合

    本文提出了一种深度异构特征融合网络，用于增强不同深度卷积神经网络生成的特征之间的关联性，以实现基于模板的人脸识别任务，并在 IARPA Janus Challenge Set 3 (Janus CS3) 数据集上证明了本方法的有效性。

    Feb, 2017

  • 用于视频人脸识别的循环嵌入聚合网络

    提出了一种称为 REAN 的循环嵌入汇聚网络，可用于集合到集合的人脸识别任务，并且相对于 LSTM 等采用先前训练嵌入的方法，REAN 学习如何聚合预先训练的嵌入，可以更加稳健地避免过拟合，而 REAN 相较于高质量聚合方法，可以利用上下文信息规避冗余帧导致的噪声干扰， 在三个公共数据集上的实验结果表明，相对于基线 CNN-LSTM 结构和高质量聚合方法， REAN 显着地提高了人脸识别的准确性。

    Apr, 2019

  • 用于细粒度识别的全卷积注意力网络

    本文提出了一种基于全卷积注意力网络（FCANs）的强化学习框架，用于优化细粒度识别中的局部区域，并避免耗费昂贵的部件注释和定义困难的细粒度类别，该方法在包括 CUB-200-2011、斯坦福狗、斯坦福汽车和 Food-101 等四个基准数据集上得到了证明。

    Mar, 2016

  • 全局上下文感知逐步聚合网络用于显著性目标检测

    该研究提出了一个名为 GCPANet 的新网络，采用一些渐进式的、上下文感知的特征交织聚合 (FIA) 模块有效地整合低层外观特征、高层语义特征和全局上下文特征，并通过监督学习生成显着性图像。此外，还设计了一个头部注意力 (HA) 模块、一个自我细化 (SR) 模块和一个全局上下文流 (GCF) 模块，以进一步提高网络性能。实验结果表明，该方法在六个基准数据集上的表现比现有方法都要好。

    Mar, 2020

  • 从野外照片集中学习聚合和个性化三维面孔

    本文提出了一种学习聚合和个性化（LAP）的框架，通过自适应地聚合身份的内在面部因素以及使用属性细化网络来修改面部目标属性与细节，从而实现无监督的鲁棒三维面部建模。

    Jun, 2021