Oct, 2023

亚洲人脸识别任务的新基准：基于大型模型的人脸分类

HTML
PDF
TL;DR本文介绍了一种新的大规模韩国影响力数据集KoIn，该数据集包含各种环境中的韩国名人的真实照片，可用于训练分类模型并对韩国影响者进行分类。我们详细描述了我们提出的数据集，并验证了其对多种分类模型的有效性。此外，我们分析了大规模模型在该数据集上对于困难样本的鲁棒性表现。
发现论文，激发创造
  • 人脸识别的Web规模训练

    本文研究了深度卷积网络在人脸识别中的性能，发现网络的“瓶颈”结构对于迁移学习具有重要作用，并提出了一种解决方法，即用自助法取代随机子采样；同时还发现了表示范数和目标域判别能力之间的联系，并基于这些发现，在目前最流行的人脸识别数据集 LFW 上取得了优秀的性能，甚至超越了商用系统。

    Jun, 2014

  • 双线性卷积神经网络实现一对多人脸识别

    研究通过利用卷积神经网络的新架构——双线性CNN (B-CNN)，在IARPA Janus基准测试集上进行面部识别，实现了额外的性能提升，并将标准CNN与VGG-Face模型进行比较。

    Jun, 2015

  • MS-Celeb-1M: 大规模人脸识别的数据集和基准

    本文提出了一个基于知识库的人脸识别基准任务，建立相关的数据集，通过该任务可以识别100万名人的面部图像，并将其链接到相应的实体密钥。我们提供了具体的度量集，评估协议以及训练数据，并报告了有前途的基线结果，将有助于图像字幕和新闻视频分析等实际应用。

    Jul, 2016

  • 通过精细深度学习解密中国人、日本人和韩国人是否长得相似

    该研究利用神经网络特征分类方法，对中国、日本和韩国人的面部进行分类研究，通过训练多个面部属性分类器，发现三者面部属性存在显著差异，如刘海、微笑和浓眉等，该研究有望在旅游、电子商务、社交媒体营销、刑事司法和反恐等领域得到应用。

    Oct, 2016

  • KoDF：大规模韩国DeepFake检测数据集

    本文详细描述了构建韩国DeepFake Detectio Dataset（KoDF）的方法，通过实验表明了KoDF与现有DeepFake检测数据集之间的差异，强调使用多个数据集进行现实世界的泛化的重要性。

    Mar, 2021

  • 面部表征学习的预训练策略和数据集

    本文讨论了学习通用人脸表征的最佳方法，介绍了用于面部表征学习的综合评估基准，研究了人脸表示学习的两种方法（监督和非监督预训练），并调查了训练数据集的重要特征，通过大量实验，发现无监督的预训练方法在各种人脸任务中表现出一致性和显著的准确性提高，同时也发现现有的一些人脸视频数据集存在大量的冗余。

    Mar, 2021

  • 如何借助StyleGAN提升人脸识别？

    通过自我监督学习实现数据增强，使用样本高保真度模型Fine-tuning编码器来提高人脸识别精度，在众多实验中经过对未标记数据集的预训练验证，得出这一自我监督策略在有限的标记数据训练数据上最为有效，对定制人脸识别任务以及面临隐私问题时可以行之有效。

    Oct, 2022

  • 深度人脸识别的分组知识蒸馏

    本文针对面部识别中logits蒸馏的性能较差问题，提出分组知识蒸馏算法组（GKD），通过分割logits并将蒸馏分为主要知识，次要知识和二进制知识，仅保留主要知识和二进制处理，忽略次要知识，从而提高轻量级学生模型的性能

    Apr, 2023

  • ProS：基于原型的自我蒸馏的面部全方位表示学习

    该论文提出了一种名为ProS的新方法，用于无监督的人脸表示学习，通过利用大量未标记的人脸图像进行综合的面部全表示学习，并通过原型匹配损失来增强学到特征的区分性，进一步针对不同任务进行微调，取得了领先的性能，同时还探讨了利用合成人脸图像进行预训练的效果。

    Nov, 2023

  • 知识蒸馏如何减轻公平人脸识别中的合成差距

    本研究解决了人脸识别数据集最近撤回的问题，提出了一种利用知识蒸馏策略的方案。通过使用合成数据集或真实与合成数据集的组合，从预训练的教师模型中蒸馏知识给更小的学生模型，可以显著提高各族裔的表现并减少偏差，缓解真实数据与合成数据之间的性能差距。

    Aug, 2024