Oct, 2023

基于流注意力的时空聚合网络用于 3D 口罩检测

PDF
TL;DR基于 FASTEN (Flow-Attention-based Spatio-Temporal aggrEgation Network) 框架的研究提出了一种新型的三维口罩检测方法，只需要五帧输入，在多个检测指标方面优于其他竞争对手，并已在实际移动设备上部署以进行实际的三维口罩检测。
anti-spoofing detection3d mask detectionrppgfastenface recognition systems
发现论文，激发创造
  • 面部反欺诈的几何时间动态研究

    本文提出了一种基于密集人脸标记的几何感知交互网络（GAIN）来区分正常和异常 Movements，通过与现有方法结合，显著提高了性能，该方法在标准的内部和跨数据集评估中取得了最先进的性能，在 CASIA-SURF 3DMask 上超越了最先进的方法，在跨数据集和跨类型协议下表现出强大的稳健性。

    Jun, 2023

  • AFNet-M：自适应融合网络与面部表情识别的 2D+3D 面部表情识别

    本研究提出了一种自适应融合网络，利用人脸显著区域的掩码来增强 2D 和 3D 局部特征，通过设计的调制向量自动学习，以及计算重要性权重的新型融合策略可以在卷积层中执行自适应融合。实验结果表明，该方法在 BU-3DFE 和 Bosphorus 数据集上具有最先进的性能并且需要较少的参数。

    May, 2022

  • 基于时空注意力的场景点云流估计（FESTA）

    本文介绍了一种使用带有空间和时间注意力层的方法来提取点云中的 3D 场景流信息，该方法名为 FESTA，相比其他基于场景流估算的新方法，在场景流估算准确度和性能方面有了显著的提升。

    Apr, 2021

  • 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

  • 使用血管加权的运动鲁棒 rPPG 信号来检测面具攻击

    为解决 3D 面具攻击对面部识别系统产生的挑战，该研究提出了一种基于远程光电容谱法的面部反欺诈方法，并采用基于关键点和面部标记的地标锚定面缝合方法，加权的时空表征及轻量级的 EfficientNet 和门控循环单元（GRU）用于提取 rPPG 时空表征的空间和时间特征进行分类，实验结果表现出较先进的 rPPG 方法在面部欺诈检测中的大幅度提高。

    May, 2023

  • 基于 LiDAR 的在线三维视频物体检测：图形消息传递和时空转换关注

    本文提出了一个端到端的在线三维视频物体检测器，该模型由空间特征编码组件和时空特征聚合组件组成。在空间特征编码组件中，提出了一种新的 Pillar Message Passing Network（PMPNet）模型，用于对离散点云帧进行编码。在时空特征聚合组件中，提出了一种注意力时空变换门控循环神经网络（AST-GRU），它通过注意力机制强调了前景物体并对动态物体进行了对齐。实验结果表明，该模型在大规模 nuScenes 基准测试中实现了最先进的性能。

    Apr, 2020

  • 3D-MAN: 三维多帧注意力网络用于物体检测

    本文介绍了一种名为 3D-MAN 的 3D 多帧注意力网络，通过对多个角度的特征进行聚合从而实现了对复杂数据集的有效检测与识别。

    Mar, 2021

  • 超越实时的面部对齐：基于 3D 空间变换网络的非约束姿态方法

    通过使用三维空间变形网络（3DSTN）模型相机投影矩阵和三维模型的形变参数，我们提出了一种新颖的方法同时提取面部的三维形状和语义一致的二维对齐，可以在比实时更快的速度下通过网络一次传递实现。我们的模型在 AFLW 和 AFLW2000-3D 数据集上进行评估，证明了我们的方法在三维对齐方面取得了最先进的性能。

    Jul, 2017

  • 多重注意力深度伪造检测

    本文提出了一个新的多注意力深度伪造检测网络，该网络通过引入区域独立的损失和基于注意力的数据增强策略来解决学习难度问题，并在多个数据集上展示了该方法在检测深度伪造方面的优越性。

    Mar, 2021

  • STARFlow：面向现实世界场景流的空间时序特征重新嵌入与注意力学习

    场景流预测是理解动态场景的关键任务之一，本文提出了全局注意力流嵌入、空时特征重新嵌入和领域自适应损失等方法来解决流估计中的关键挑战，并在各种数据集上取得了最先进的性能。

    Mar, 2024