Oct, 2023

利用类人机制削弱人脸识别卷积神经网络中预训练权重偏差的影响

PDF
TL;DR卷积神经网络已被广泛应用和研究于不同领域，本研究通过迁移学习将四种经过广泛研究的卷积神经网络 (AlexNet、VGG11、VGG13 和 VGG16) 应用于情感价值分类任务，并将其性能与人类数据进行比较，结果显示这些卷积神经网络在某种程度上表现出类似于人类的表现，在基于神经科学和行为数据的注意力机制下，更新后的 FE-AlexNet 的性能优于其他测试的卷积神经网络，与人类感知紧密相似，从而更深入地揭示了这些卷积神经网络的计算机制。此研究还提供了通过人类数据更好地理解和改进卷积神经网络性能的新范式。
convolutional neural networkneurosciencetransfer learningemotion valence classificationself-attention mechanism
发现论文，激发创造
  • 卷积神经网络在人脸反欺诈中的性能评估

    本文通过基于卷积神经网络的 Inception 和 ResNet 模型在 MSU Mobile Face Spoofing 数据库上的表现，研究了如何应用这些深度学习算法实现面部反欺骗的生物特征访问控制。

    May, 2018

  • DeepVisage：简单却具有强大的泛化能力的人脸识别技术

    本文提出并实现了一种基于单个卷积神经网络的人脸识别方法，使用残差学习框架和归一化特征计算损失，实验证明在不同数据集上具有较好的泛化性能。

    Mar, 2017

  • 利用生物神经元属性的卷积神经网络

    通过结合生物神经元原理，使用基于神经科学的计算模型来增强训练效率和提高准确性，以推动组合感受野模型作为卷积神经网络的基础层，从而在 CIFAR-10、CIFAR-100 和 ImageNet-100 数据集上实现性能显著提升（平均提升 5%-10%）

    Nov, 2023

  • 当人脸识别遇到深度学习：卷积神经网络在人脸识别中的评估

    本文通过使用公共的数据集 LFW，提出了三种最近的第一代 CNN 结构，研究了卷积神经网络应用于人脸识别的原因和设计，发现将多个 CNN 结构及度量学习的融合，可以提高 CNN-FRS 的性能并使得学习特征的维度可显著减小。

    Apr, 2015

  • 基于物体训练的卷积神经网络中的面部处理

    通过利用卷积神经网络 (CNN) 的最新进展，本研究对是否面部识别取决于独特的领域特定神经认知机制还是领域通用的物体识别机制进行了系统测试，并通过训练仅针对物体的 CNN 并测试其识别和表征面部以及类似面部的物体的能力，证实了领域通用机制的假设。

    May, 2024

  • 深情感：利用注意力卷积网络进行面部表情识别

    该文介绍了针对面部表情识别问题，提出了一种基于注意力卷积网络的深度学习方法，并采用可视化技术确定了识别不同情绪对应的重要面部区域，相比先前的模型在多个数据集上都取得了明显的改进。

    Feb, 2019

  • 人类与深度神经网络的泛化能力

    通过对三种著名的深度卷积神经网络在十二种不同的图像失真下的实验对比，研究表明，与这三种人工智能算法相比，人类视觉系统在几乎所有的测试图像处理中都更加鲁棒，其误差模式渐行渐远。本文还证明了，利用失真图像直接训练的深度学习神经网络在恰当的测试条件下，表现优于人类。然而，当被分别用于测试不同类型的失真图像时，它们的泛化能力极差，无法适应噪声分布的变化，这成为深度学习视觉系统所面临的关键挑战，可用一种终身机器学习的方法进行系统化解决。

    Aug, 2018

  • 通过有针对性的权重扰动向卷积神经网络植入后门

    本文对基于深度学习的人脸识别技术进行了研究，提出了一种通过定向权重扰动的方法进行 CNN 后门攻击的一般性方法，通过案例研究证明了攻击者能够显著提高他们提供的输入被 CNN 虚假接受的几率，并同时保留合法注册类别的误差率。

    Dec, 2018

  • 卷积神经网络或 Transformer 模型更像人类视觉？

    比较了卷积神经网络和注意力网络的性能差异，使用新的指标展示了注意力网络的错误更贴近于人类，这些结果对于构建更人类化的视觉模型以及理解视觉对象识别在人类中的意义具有意义。

    May, 2021

  • 理解虚假人脸

    本研究使用自行创建的虚假人脸数据库进行图像侦测、分类和生成，结果表明视觉基于人脸识别算法与人类水平的表现之间存在差距，但这为提高人脸识别算法的进展提供了可借鉴的知识。

    Sep, 2018