本文总结了 2020 年 ChaLearn Looking at People Fair Face Recognition and Analysis Challenge 的评测结果和优胜解决方案，并提供了对结果的分析。这个比赛的目的是评估提交算法在其他混淆因素存在时的准确性和性别和肤色方面的偏见。参赛者使用一个不平衡的数据集进行了评估，这模拟了 AI 模型在不平衡数据上训练和评估的真实世界情况。最终该比赛吸引了 151 个参与者，36 个团队进入了最后一轮。其中 10 个团队在实现非常低的偏见指标的同时，超过了 0.999 的 AUC-ROC。参赛者们常用的策略包括面部预处理、数据分布的同质化、使用有偏向性的损失函数和集成模型。前 10 名团队的分析还表明，对于肤色较暗的女性，虚假阳性率较高，同时，佩戴眼镜和年龄较小也会增加虚假阳性率。

Sep, 2020

该研究论文介绍了一种以高效为驱动的模型量化方法，使用比传统方法小 440 倍的数据集进行微调，通过引入评估基于指标的损失，该方法在 IJB-C 数据集上实现了 96.15% 的准确率，建立了面部识别领域新的压缩模型训练的最新技术。

Feb, 2024

2023 年国际联合生物识别学术会议（IJCB 2023）举办的基于隐私感知合成训练数据的人脸呈现攻击检测竞赛（SynFacePAD 2023）的论文总结，共有 8 个来自学术界和工业界的参赛队伍提交了有效解决方案，竞赛旨在鼓励和吸引以隐私、法律和伦理问题为动机的以合成数据为基础的人脸呈现攻击检测解决方案，参赛选手使用的训练数据仅限于主办方提供的合成数据，提交的解决方案提出了创新和新颖的方法，在研究基准测试中表现优于考虑的基准。

Nov, 2023

本研究详细探讨和比较了轻量级人脸识别模型，特别关注 MobileFaceNet 及其修改版 MMobileFaceNet。我们研究了数据集选择、模型架构和优化算法对人脸识别模型性能的影响。通过在 EFaR-2023 竞赛中的参与，我们的模型在参数受限的类别中表现出色。通过使用 Webface42M 数据集的子集和集成锐度感知最小化（SAM）优化，我们在各种基准测试中实现了显着的精度提升，包括跨姿势、跨年龄和跨种族的性能。结果凸显了我们方法在打造既计算高效又在不同条件下保持高精度的模型方面的有效性。

Nov, 2023

介绍了 QMUL-SurvFace benchmark，提供了低分辨率监控图像的面部识别挑战，利用五个具有代表性的深度学习面部识别模型进行了评估，结果表明目前的技术仍然远不能满足实际的刑事犯罪调查需求。

Apr, 2018

最近机器学习和计算机视觉的进展使得人脸识别的准确率超越了人类表现。然而，我们质疑这些系统在真实的法庭鉴定情景中是否能够有效应用，因为在这种情景下，图像往往是低分辨率、低质量且被部分遮挡。本研究构建了一个大规模的合成人脸数据集，并创建了一个控制的人脸法庭鉴定场景，通过这两者的结合，可以在一系列真实环境条件下对人脸识别进行控制性评估。通过使用这个合成数据集和一个包含真实人脸的流行数据集，我们评估了两个常见的基于神经网络的人脸识别系统的准确性。我们发现，在这种更具挑战性的法庭鉴定情景中，先前报道的超过 95% 的人脸识别准确率下降到了 65%。

Nov, 2023

基于大规模 FER 数据集的广泛实验和实践交叉验证，本文对多种网络架构进行排名，并给出了在真实情景中应用深度 FER 方法的一些推荐。此外，还讨论了实际 FER 应用中的潜在道德规范，隐私问题和法规。

Nov, 2023

COVID-19 疫情期间，佩戴口罩给基于深度学习的人脸识别算法带来了巨大的挑战。本文在 ICCV MFR WebFace260M 和 InsightFace 非约束场景两个赛道中提出了解决方案，关注了规模庞大的口罩人脸识别中的四个挑战，即超大规模训练、数据噪声处理、口罩和非口罩人脸识别准确性平衡以及如何设计易于推理的模型架构。我们希望本文对这四个方面的讨论能够指导未来研究朝着更强大的口罩人脸识别系统发展。

Oct, 2023

本文介绍了通过收集大规模 SuHiFiMask 数据集并举行面部表现攻击检测挑战赛来填补 FAS 领域中的空白，从而探讨长距离场景中的反欺骗技术，挑战吸引了 180 支队伍参加开发及最终比赛，本文也提供了排名最高的算法及其在攻击检测领域中的研究思路。

Apr, 2023

本研究论文总结了为了解决网络爬取的面部识别数据集引发的合法、伦理和隐私问题，近期提出的利用生成模型生成合成数据集的研究成果，同时介绍了面向面部识别模型训练使用合成数据的 SDFR 竞赛的概述、参与模型的评估结果以及对未来研究方向的展望。

Apr, 2024