从模态到风格:重新思考异构人脸识别中的领域差距
本文旨在解决异构人脸识别中的领域差异以及在目标领域中大规模数据集的限制问题,在这篇论文中,我们提出了一种新的框架,将不同光谱的人脸识别模态视为不同的风格,通过条件自适应实例调制(CAIM)模块适应中间特征图的风格,成功地在异构人脸识别上实现了端到端训练,并在多个数据集上展示了优越的性能,其中训练所需的成对样本数量最少。
Jul, 2023
利用大规模可见光数据对大型神经网络进行预训练,然后采用正则化的微调策略,通过将异构人脸识别问题视为低数据微调问题,达到或超过四个公开基准的最新成果。
Dec, 2023
基于预训练的人脸识别模型作为教师网络,学习领域不变的网络层,称为领域不变单元(DIU),用于减小不同模态之间的领域差距,并通过对比蒸馏框架有效地进行训练,以提高适应各种数据变化的预训练模型的性能。在多个具有挑战性的基准测试中,我们广泛评估了该方法,展示出优于最先进方法的性能。
Apr, 2024
本文介绍一种从异构数据扩充的视角出发的新型异构人脸识别方法 —— 具有身份属性解缠的人脸合成(FSIAD),在大量合成的图像中使用随机组合的解缠特征丰富图像属性的多样性,并将合成和原始图像同时用于训练网络,以提高异构人脸识别的性能。
Jun, 2022
该综述文章深入探讨了异构人脸识别技术的已有技术及最新进展,并提供了常用的数据集和评估方法,最终对该领域进行了评估,并探讨了未来的研究方向。
Sep, 2014
本文提出了一种对抗鉴别特征学习框架,通过在原始像素空间和紧凑特征空间上进行对抗学习,整合跨光谱人脸超分辨率和鉴别特征学习。在三个 NIR-VIS 数据库的实验结果表明,我们的方法优于最先进的 HFR 方法,且不需要复杂网络或大规模训练数据集。
Sep, 2017
该研究提出了一种双重生成模型,通过引入正面样本和负面样本,从而生成大量多样的异构人脸图像以训练异构人脸识别(HFR)网络,使其具有域不变且具有区分度的嵌入特征,并在多项挑战性数据库的 5 个 HFR 任务上实现了优越的表现。
Sep, 2020
本文提出了一种基于图形表现的异构人脸识别方法 (G-HFR),在该方法中,马尔可夫网络用于分别表示异构图像补丁,同时考虑相邻图像补丁之间的空间兼容性。实验表明,该方法优于现有的最新方法。
Mar, 2015
本文提出一种新的双变分生成框架 (DVG),通过生成大规模的具有相同身份的异构图像,从噪声中减少异构人脸识别 (HFR) 中领域差距,实现了身份一致性和配对特征距离的约束,有效缩小了领域差距。经过在四个 HFR 数据集上的广泛实验测试,表明我们的方法可以显著改进最先进的结果。
Mar, 2019
本文提出了一种基于联合深度学习的异构人脸匹配方法,该方法通过在特征空间中寻找共享特征空间,将异构人脸匹配问题近似为同质人脸匹配问题。实验结果表明,该方法可以在具有挑战性的 CASIA NIR-VIS 2.0 人脸识别数据库以及 IIIT-D Sketch 数据库、CUHK Face Sketch(CUFS)和 CUHK Face Sketch FERET(CUFSF)等数据库上实现更好的性能。
Apr, 2017