本文提出了质量感知的学习过程(QAFace),通过在样本级别将质量感知引入到分类训练范式中,该模型将 Softmax 中心自适应引导到更多注意训练数据集中可识别的低质量样本,从而提高了模型对低质量样本的性能,并高于 CFP-FP,LFW,CPLFW,CALFW,AgeDB,IJB-B 和 IJB-C 数据集上的最先进算法。
Jun, 2023
提出了一种利用记忆增强网络来解决三维点云场景理解中实例和语义分割中的样本不平衡问题的解决方案。该方法引入了一个记忆模块,通过记录小批量训练中所见的模式来缓解遗忘问题,这样所学习到的存储项目能够反映出支配类别和非支配类别 / 案例的可解释和有意义的信息,从而导致更好的性能和通用性。
Jan, 2020
本文提出了一种基于随机子网络的人脸图像质量评估方法,使用嵌入变化来估计样本表示的健壮性和相应的图像质量,并在三个公开数据库上进行了交叉数据库评估。实验表明,此方法超过了其他学术和工业界的六种方法,表现出稳定的性能。
Mar, 2020
提出一种有效的基于 patch 的人脸图像质量评估算法,该算法综合考虑了人脸图像的几何对齐、锐度、头部姿势等因素,能够识别最正面、对齐、锐利和照明良好的图像,并在实验中表明在人脸子集的选择方面,该方法优于现有技术,使人脸识别准确度显著提高。
Apr, 2013
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
在这篇论文中,我们将原型学习定义为每个类别中样本特征的期望,并使用数据集中的现有样本设计经验性原型。然后,我们提出了一种自适应更新经验性原型的策略,该策略基于样本特征与经验性原型之间的相似性。此外,我们提出了一种经验性原型学习(EPL)方法,该方法利用与样本特征相关的自适应边缘参数。EPL 为正常样本分配较大的边缘,为困难样本分配较小的边缘,使得学习得到的经验性原型能够更好地反映由正常样本主导的类别中心,并通过学习将困难样本拉向经验性原型。对 MFR、IJB-C、LFW、CFP-FP、AgeDB 和 MegaFace 进行了大量实验证明了 EPL 的有效性。
May, 2024
本文分析了人脸质量评估和识别偏见之间的相关性,发现当前人脸质量评估算法也存在偏见,应注意公平和歧视问题。
Apr, 2020
通过支持向量回归模型与卷积神经网络提取的人脸特征预测人脸图像质量,利用人类对人脸图像质量的评估创建跨库评估的人脸图像预测器,在减少 FNMR 方面表现出极高的效果,是第一个成功应用人工评估的跨库人脸质量预测研究。
Jun, 2017
本文提出了一种新的原型挖掘和学习(PMAL)框架,通过高质量和多样性的原型集来优化嵌入空间,以区分已知和未知对象,实验证明了该框架相对于现有技术的显着性能提升。
Mar, 2022
本文提出了一种数据挖掘算法,利用强理论保证在任何对称正定核情况下找到代表性原型和批评(即异常值),并演示了其在零售、MNIST 数字识别和 CDC 数据集上的实际应用效果。
Jul, 2017