基于 Siamese 网络的深度学习人脸识别方法

Dec, 2023

基于 Siamese 网络的深度学习人脸识别方法

Deep Learning Based Face Recognition Method using Siamese Network

Enoch Solomon, Abraham Woubie, Eyael Solomon Emiru

TL;DR通过使用对比网络的方法，在没有标记的人脸图像的情况下，实现了接近监督基准的性能。

Abstract

Achieving state-of-the-art results in face verification systems typically hinges on the availability of labeled face training data, a resource that often proves challenging to acquire in substantial quantities. I

face verification systems labeled face training data siamese networks unsupervised methodology face recognition

发现论文，激发创造

探索简单的同孪表征学习

本文通过研究，展示出使用 Siamese 网络进行图像无监督表示学习的含义，并阐述了在该情况下级联网络的基本角色，并提出了一个新的基于停止梯度的理论，通过实验证明了其正确性。

Nov, 2020

无监督深度学习图像验证方法

通过利用自动编码器将面部图像向量转化为新的表示，本研究提出一种缩小有标签训练数据差距的方法，从而在无监督的人脸验证技术方面取得了 56％的 EER 相对改进，成功缩小了余弦和 PLDA 评分系统之间的性能差距。

Dec, 2023

使用深度共享网络进行不同化脸部检测

本文提出了一种新的差分变形攻击检测框架，使用深度 Siamese 网络，通过比较我们的模型与其他经典和深度学习模型，使用两个不同的变形数据集，VISAPP17 和 MorGAN，我们探索了由对比损失生成的嵌入空间，并使用欧几里得距离、特征差和支持向量机分类器、特征级联和支持向量机分类器三个决策框架。

Dec, 2020

基于修改距离损失的孪生神经网络在语音情感识别中的迁移学习

使用 Siamese 网络进行跨语音情感识别的迁移学习，通过 fine-tuning 和优化 distance loss 可以提高识别准确性。

Jun, 2020

基于门控连体卷积神经网络的人体再识别架构

本文提出了一种用于跨摄像头匹配行人的人体再识别框架，通过引入一个选择性强化细粒度共有的局部模式的门控函数，将同一身份的图像向量嵌入到特征空间中更密集的区域，提高了再识别的性能。在 CUHK03、Market-1501 和 VIPeR 数据集上的实验证明，与基线 Siamese CNN 架构相比，该框架表现更优。

Jul, 2016

弱监督下的孪生网络人体活动识别

本文提出了一个由多个孪生网络组成的模型，仅使用关于数据样本对之间相似性的信息进行训练，而无需明确标记的数据样本，从而将活动数据样本映射为固定大小的表示向量，使表征空间中的向量之间的距离近似于输入空间中数据样本的相似性，因此该训练模型可以作为一种度量标准用于各种不同的聚类算法，文中通过对三个数据集进行评估，验证了该模型在连续人体活动序列的分割和识别方面的有效性。

Jul, 2023

掩蔽连体卷积网络

本文研究掩蔽 Siamese 网络在卷积神经网络下的问题，并提出多个经验设计来逐渐解决这些问题。该方法在低样本图像分类上表现有竞争力，并在目标检测基准测试中优于以前的方法。

Jun, 2022

密集连体网络用于密集无监督学习

本论文提出了 Dense Siamese Network（DenseSiam），这是一种针对密集预测任务的简单的无监督学习框架，通过最大化图像两个视图之间的相似性（包括像素和区域一致性），学习视觉特征表示，并证明了其在图像分类和语义分割任务中的有效性。

Mar, 2022

使用软标签的孪生网络在筛查乳腺 X 射线照片上进行无监督异常检测和裁剪预训练

通过对比侧面乳房 X 射线摄影图像来训练神经网络，以实现全面无监督的方式区分异常病变和背景组织，从而实现乳房补丁分类任务中的卓越性能。

Jan, 2024

用于生物识别的微型 Siamese 网络

TinySiamese 是一种用于生物识别的网络，采用预训练 CNN 作为特征提取器和 TinySiamese 学习提取特征，以达到与标准 Siamese 几乎相同的性能和效率，避免了内存和计算时间的问题。TinySiamese 可以在低功耗机器上运行，只需要不超过 7 层的小型网络，并在多个数据集上实现了高准确性。

Jul, 2023