为认知障碍的老年人开发和改进多功能面部识别系统：通往提高生活品质的旅程
面罩脸部识别（MFR）是生物识别中的关键领域，尤其是全球 COVID-19 疫情导致广泛戴口罩。本综述论文对具有面罩的个体识别和检测中的挑战和进展进行了全面分析，这一领域由于需要适应新的社会规范而发生了创新的变化。通过深度学习技术的先进和面蒙面识别（FMR）以及面部去蒙面（FU）代表着重要的研究领域。这些方法解决了由完全到部分遮挡面部特征所带来的独特挑战。我们综合审查了针对 MFR、FMR 和 FU 开发的各种基于深度学习的方法，突出了它们的独特挑战和应对方法。此外，我们还探讨了专门用于评估 MFR 研究性能的基准数据集和评估指标。该综述还讨论了研究人员在这一领域面临的重大障碍，并提出了未来进一步发展更稳健有效的面罩脸部识别系统的方向。本文为研究人员和从业者提供了宝贵的资源，洞察了面对全球卫生危机及其后果时面部识别技术的演变景观。
May, 2024
通过使用合成的老化数据和真实的老化数据来进行深度学习的人脸识别算法训练和验证，实验结果表明，在年龄差异为 40 岁的图像上进行测试时，与基准模型相比，使用合成老化图像训练的模型的识别率提高了 3.33％，从而证明了合成年龄数据对增强年龄不变的人脸识别系统性能的潜力。
Jun, 2024
最近的研究强调用户对与机器进行类似人的互动的偏好增长。因此，面部表情识别作为给社交机器人赋予识别用户情感状态的能力的一种方式变得重要。在本研究中，我们评估了深度学习方法的适用性，这些方法因其在该领域的出色表现而闻名，用于识别具有智力残疾的个体的面部表情，据我们所知，这方面的研究尚未进行。为实现这一目标，我们使用了十二个不同方法的卷积神经网络集合进行训练，其中包括没有具有智力残疾的个体的数据集合以及包含了这些个体的数据集合。我们对不同训练条件下各个模型的结果进行了分析，结合可解释的人工智能技术在表情识别期间进行的关键面部区域的全面分析，揭示了智力残疾个体之间以及具有智力残疾的个体之间面部表情的显著差异。显著的是，我们的研究结果通过用户特定的训练方法证明了对该人群中面部表情的可行性，这使得模型能够有效地处理每个用户独特的表达方式。
Jan, 2024
本文介绍了一个基于深度学习的系统级实时面部 分析设计，使用神经网络进行物体检测、分类和回归，可以识别每个人的年龄、性别、面部表情和相似度。同时，文章提出了一种多任务网络来同时预测年龄、性别和面部表情，该系统达到了与现有先进方法相同的精度和实时性能要求。
Sep, 2021
基于人工智能的人脸识别系统在全球范围内被广泛分发和部署，尤其在 COVID-19 大流行之后，用于从验证购买 SIM 卡的个人面孔到对公民的监视等任务。在这项研究中，我们对 14,722 张图像的五个基准数据集进行了模拟的验证 / 监视任务，审核了四个商业和九个开源人脸识别系统，测试不同类型的有口罩和无口罩图像之间的面部再识别。结果发现大约三个商业系统和五个开源系统非常不准确，并且进一步加剧了对非白人个体的偏见。这表明系统设计者、立法者和用户需要重新思考人脸识别系统的设计原则，特别是在面部再识别任务中，认识到观察到的偏见问题。
Feb, 2024
利用深度学习算法从视频中提取面部特征来检测老年人的轻度认知障碍（MCI），通过使用卷积自编码器提取空间整体面部特征和使用变换器提取时间信息的方法，该研究在 I-CONECT 行为干预研究数据中成功地检测了 MCI 病人与正常认知状况的病人，结合特定主题视频中面部特征信息的片段和序列信息可以提高预测性能，最终达到了 88% 的准确率。
Aug, 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
本研究探讨软生物特征在不受限场景下增强人脸识别系统的作用，并使用 LFW 数据集展示了软生物特征与深度学习人脸检测系统融合后能够相对提高 40％/15％的验证性能。
Oct, 2022