May, 2024

什么是合适的人脸验证测试集？

HTML
PDF
TL;DR人脸识别模型通常使用百万级图像的网络抓取数据集进行训练，并在强调姿势、年龄和混合特征的测试集上评估。然而，在由网络抓取图像组成的训练集和测试集中，确保身份集合之间的不重合至关重要。本研究发现当前的训练集和测试集通常不是身份或图像不相交的，导致在估计准确度时存在乐观偏差。为了支持人脸识别的不断进步，本研究介绍了两个挑战性的测试集：“Hadrian” 强调具有挑战性的面部发型，“Eclipse” 强调具有挑战性的过度曝光和欠曝光条件。这些数据集在标准训练集中是身份和图像不相交的，新测试集的准确度通常低于 LFW、CPLFW、CALFW、CFP-FP 和 AgeDB-30 等，表明这些数据集代表了人脸识别改进的重要维度。
发现论文，激发创造
  • 人脸识别的Web规模训练

    本文研究了深度卷积网络在人脸识别中的性能，发现网络的“瓶颈”结构对于迁移学习具有重要作用，并提出了一种解决方法，即用自助法取代随机子采样；同时还发现了表示范数和目标域判别能力之间的联系，并基于这些发现，在目前最流行的人脸识别数据集 LFW 上取得了优秀的性能，甚至超越了商用系统。

    Jun, 2014

  • 开放式人脸识别

    本文提出了一种基于开放式协议的人脸识别方法，并对不同的相似性评估策略进行了评估，发现使用EVM概率阈值法可以在一个开放式的协议下实现最佳性能。

    May, 2017

  • 基于 CNN 的人脸验证的注意事项

    本论文探讨了人脸识别方面的几个问题，例如如何在图像和视频里训练系统、深度数据集是否比宽度数据集更好、添加标签噪音是否可以提高深度神经网络性能以及对齐是否对于人脸识别必须。作者在CASIA-WebFace、UMDFaces和新的视频数据集上训练了CNN，并在YouTube-Faces、IJB-A和UMDFaces的不相交部分上测试。他们的新数据集包括22,075个视频和3,735,476个人工注释的帧。

    May, 2017

  • VGGFace2: 跨姿态和年龄识别人脸的数据集

    介绍了一个名为VGGFace2的大规模人脸数据集，其中包含来自Google Image Search的3,310,000张9131个主体的照片，通过训练在数据集上的卷积神经网络，我们展示了在所有IARPA Janus面部识别基准测试上的最新成果表现。

    Oct, 2017

  • 无约束人脸验证中协变量影响的实验评估

    该文章主要探讨不受限制的人脸验证中的一个问题:协变量如何影响深度卷积神经网络在大规模人脸验证问题上的性能，并介绍了如何利用性别信息来改进预先筛选的大规模人脸数据集的性能.

    Aug, 2018

  • 探究在人脸识别训练数据中包含信息对个体人脸识别的影响

    本文通过对亿万级别的图片进行大规模的人脸识别实验，发现使用深度学习进行的人脸识别系统对于训练数据中的个体识别的准确率要高于其他个体，而目前的大规模人脸识别数据集的个人隐私意识缺失，对隐私造成了严重影响。

    Jan, 2020

  • 面部表征学习的预训练策略和数据集

    本文讨论了学习通用人脸表征的最佳方法，介绍了用于面部表征学习的综合评估基准，研究了人脸表示学习的两种方法（监督和非监督预训练），并调查了训练数据集的重要特征，通过大量实验，发现无监督的预训练方法在各种人脸任务中表现出一致性和显著的准确性提高，同时也发现现有的一些人脸视频数据集存在大量的冗余。

    Mar, 2021

  • WebFace260M: 百万级深度人脸识别基准测试

    本研究提供新的百萬級別人臉識別測試基準，名為WebFace260M，包括4百萬的姓名列表和260百萬的人臉圖像。使用此基準，研究人員開發了有效的分散式框架，並在各種環境中進行了全面的基準測試，顯示出極大的潛力。

    Apr, 2022

  • 如何借助StyleGAN提升人脸识别？

    通过自我监督学习实现数据增强，使用样本高保真度模型Fine-tuning编码器来提高人脸识别精度，在众多实验中经过对未标记数据集的预训练验证，得出这一自我监督策略在有限的标记数据训练数据上最为有效，对定制人脸识别任务以及面临隐私问题时可以行之有效。

    Oct, 2022

  • 面部识别训练/测试数据中的身份重叠：导致准确性测量中的乐观偏差

    模式识别的基本原则之一是训练和测试集之间的重叠会导致对准确性的乐观估计，在人脸识别中，由于训练集中的标识进行N路分类，通常将准确性估计为来自测试集（如LFW、CALFW、CPLFW、CFP-FP和AgeDB-30等）图像对的平均10折分类准确性。我们的实验揭示了LFW测试集系列与MS1MV2训练集之间的身份和图像重叠程度。我们还发现MS1MV2中存在身份标签噪声。通过将与LFW不重叠和与LFW重叠的相同大小MS1MV2子集的准确性进行比较，以揭示乐观偏差的大小。使用来自LFW测试集系列的更具挑战性的测试集，我们发现更具挑战性的测试集的乐观偏差更大。我们的结果突出了人脸识别研究中缺乏身份不重叠的训练和测试方法的问题和需求。

    May, 2024