法医面部识别评估

Nov, 2023

An Evaluation of Forensic Facial Recognition

Justin Norman, Shruti Agarwal, Hany Farid

TL;DR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%。

Abstract

Recent advances in machine learning and computer vision have led to reported facial recognition accuracies surpassing human performance. We question if these systems will translate to real-world →

machine learning facial recognition forensic scenarios low-resolution neural-based recognition systems

发现论文，激发创造

DigiFace-1M: 100 万数字人脸图像用于人脸识别

采用合成数据集进行人脸识别，通过数据扩充和精细控制属性可以显著减少真实与合成数据集之间的差异，并降低数据集的偏见和标签噪声问题，从而将识别错误率从 91.93% 降低到 96.17%，并在较少的真实样本上训练可与百万真实样本训练相媲美的识别效果。

Oct, 2022

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

Naive-Deep 人脸识别：是否达到 LFW 基准的极限？

该研究报道了大数据技术对人脸识别性能的影响，基于此构建了 Megvii 人脸识别系统，并在现实世界的安全认证场景中证明了其 99.50% 的准确率表现，并指出人工智能识别和人类识别之间仍存在巨大差距，未来在人脸识别领域仍需面对三个挑战，提出了可能的解决方案，希望能够激发学术界对于研究基准和实际应用之间的差异进行讨论。

Jan, 2015

深度学习与人脸识别：现状

本文介绍了深度学习技术在人脸识别领域中的应用和进展，提出了需要更大和更具挑战性公共数据集的必要性，以及可以提供这样数据集的机构。

Feb, 2019

关于面部识别评估的调查

针对超过 100 个面部数据集进行的历史调查表明，这些数据集受到政治动机、技术能力和当前社会规范等多种因素的影响，掩盖了一些可能有害或有问题的实践。因此，需要明确传达这些细节，以建立更加深入的对技术在现实世界中功能的理解。

Feb, 2021

使用合成脸部数据进行人脸识别

本研究利用合成数据和微调模型，在人脸识别领域取得了高精确度的成果，并研究表明模型的性能还受到脸部不同部位的影响。

May, 2023

跨种族人脸验证的人机比较：性能上限下的种族偏见？

研究面部识别技术在跨种族验证方面的种族偏差问题以及基于挑战性测试，发现 2019 年的 ArcFace 面部识别算法和两种最先进的系统比人类更准确地识别黑白人脸，但需要进一步探讨这一结果在野外环境中应用的普遍性。