研究论文旨在提出一种减少对标记数据依赖的替代方法,通过在面部图像识别任务中利用自编码器预训练和两步过程来实现。自编码器首先以无监督的方式使用大量无标签的训练数据集进行训练,然后使用预训练自编码器的初始化参数进行深度学习模型的训练。该方法的实验结果表明,使用预训练自编码器参数初始化的深度神经网络可以达到与现有方法相媲美的效果。
Dec, 2023
使用卷积神经网络进行非监督学习,提取图像中的高级特征,并取得了针对 20,000 个物体类别的显著优化结果。
Dec, 2011
通过深度学习训练的 DeepID2 特征结合人脸识别和验证信号能够有效地减少人脸识别中的人际差异和人内差异并实现高辨识率。
Jun, 2014
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。
本文提出了一种隐私友好的大规模人脸识别替代方案,使用过自动抽取高质量人脸快照的方式以减少收集的个人数据。为此,本文开发了一个基于变分自编码器的无监督人脸图像质量评估方法,并通过实验验证了其有效性。
Jan, 2021
本篇论文提出了一种使用多模式信息联合学习人脸表征的深度学习框架,该框架包括一组卷积神经网络和三层堆叠自动编码器,使用公开可用的数据集训练,取得了超过 99%的人脸识别率。
Sep, 2015
本文提出了一种无监督学习 CNNs 的方法,通过从视频帧中提取面孔对来获得受监督的训练数据并获得比手工制作特征和最先进的深度网络更高的低分辨率验证准确性,表明开发适用于姿势和光线变化的人脸验证模型是可行的。
Mar, 2018
本文提出了一种基于无监督学习、从神经科学中获得灵感的方法,利用变分自编码器对图像数据进行学习,从而获得解耦表示。该方法可以使神经科学的研究成果得以应用到实际中,同时还有零样本推理和直观理解的优点。
Jun, 2016
使用卷积自编码器进行人脸特征追踪,无监督学习方法在不同运动条件下表现出优异的追踪精度和卓越的特征描述子,比传统和最新的监督学习方法更具优势。
May, 2024
本文提出了一种使用深度学习技术进行 3D 面部重建的新方法,其中使用了混合损失函数进行弱监督学习,同时利用多个图像进行面部重建,实现了快速、准确、鲁棒的重建效果,对不同数据集进行了综合实验,并与 15 种现有方法进行了比较,证明了其性能处于领先地位。
Mar, 2019