- 无镜面人脸:用于隐私保护人脸验证的端到端优化系统
使用不需要镜头的相机对编码无镜头捕捉的隐私保护人脸验证进行端到端优化,确保整个软件流程在编码过程中没有可见人脸的中间结果,通过面部中心对齐方案、增强训练和知识蒸馏等技术解决了不同于传统人脸检测和对齐的不同挑战,评估结果显示该方法优于两阶段无 - 高效的基于验证的人脸识别
研究通过有效的神经模型 $f$ 进行面部验证的问题。该模型的高效性源于将面部验证问题简化为二进制问题,并且每个用户都有自己的神经网络 $f$。为了在训练集中实现不同个体之间的信息共享,我们并未直接训练 $f$,而是使用超网络 $h$ 生成模 - KFC: 基于公平对比损失和多任务学习的亲属验证
我们提出了一个名为 KinRace 的更大且完整的数据集,结合了现有的亲属关系数据集,并为每个身份标记了正确的种族信息;我们还通过引入多任务学习模型结构和注意力模块来提高准确性;最后,我们使用公平感知对比损失函数和对抗性学习来减轻种族偏见。 - 人脸验证系统的广义攻击
该研究论文通过深度神经网络模型实现人脸验证,并研究了人脸验证系统所遭受的对抗攻击,提出了 DodgePersonation Attack 及其相关分类,以及一种名为 ''One Face to Rule Them All'' Attack - 利用盲目人脸修复技术提升跨品质人脸验证
本文研究了应用三种最先进的盲人面部修复技术(GFP-GAN、GPEN 和 SGPN)对在极低质量图像环境下的人脸验证系统性能的影响,并在最近提出的跨质量 LFW 数据库上使用三种最先进的深度人脸识别模型进行了详尽的实验,结果表明 GFP-G - 匹配任务误差率置信区间:关键审查和建议
本文介绍了构建置信区间的方法,以评估匹配算法的误差率,并探讨了样本大小、误差率和数据相关性对覆盖率和区间宽度的影响。研究发现,在匹配任务中构建置信区间的最佳实践包括注意数据原型、选择适当的置信水平以及进行模拟和分析。
- 利用 Wasserstein 距离的年龄不变面部嵌入
通过使用多任务学习和 Wasserstein 距离鉴别器来解决面部识别中存在的年龄变化问题,这种方法通过最小化 Jensen-Shannon 差异来最小化年龄和身份嵌入之间的互信息,并在多个年龄变化数据集上验证了方法的优越性。
- 面部识别中的种族偏见:一项调查
该研究对人脸识别的种族偏见问题进行了全面而系统的研究,主要了解了人脸识别处理流程中涉及的影响偏见的各个方面与阶段,包括图像获取、脸部定位、脸部表示、脸部验证和识别等。同时,研究也指出了当前减少种族偏见的策略在将来的商业应用和研究中需要被考虑 - 激活模板匹配损失用于可解释人脸识别
本文提出了一个通用的可解释面部识别网络,使用可解释通道损失(ECLoss)进行训练,在目标卷积层上轻松学习面部基于部分的表征,实现单个通道检测某个面部部位,提高了面部验证的性能和可解释性。
- MixFaceNets:极高效的人脸识别网络
针对面部验证应用所需要效率极高和吞吐量大的需求,本文提出了基于混合深度卷积核的一组极其高效的深度学习模型 MixFaceNets,在多个数据集中对模型进行了评估,结果表明在计算复杂度相同的情况下,MixFaceNets 在所有的数据集上性能 - ICLRFairCal:针对人脸验证的公平校准
该研究介绍了一种名为公平校准的后训练方法,用以减少面部识别模型中的偏见,并提高模型准确性和公平性,同时避免再训练、再调整模型以及敏感数据泄露等问题。
- ECCV通过学习规范化到高斯分布的度量来进行深度非约束人脸验证的生物度量网络
本文介绍了一种以 Gaussian 分布为目标分布的生物测量学神经网络 BioMetricNet,通过学习最佳特征表示和判定度量,改善了现有基于人脸识别的模型,在公共数据集上表现出更高的性能。
- MMxCos:用于人脸验证任务的可解释余弦度量
本篇论文讨论了在面部识别任务中的可解释人工智能(XAI),特别是面部验证。通过提出一种称为可解释余弦($xCos$)的新奇相似度度量,并配备一个可学习的模块,我们可以向大众提供意义深刻的解释,并展示其在 LFW 等各种竞争基准上的有效性。
- KDD组合分层张量分解:表示层次内在和外在因果因素
本文提出了一种统一的张量模型,引入了一种组合式分层张量分解方法,解开了物体图像形成的层级因果结构,减少了训练数据需求,使物体识别在遮挡条件下更加可靠,在人脸识别领域得到了广泛的应用。
- 野外无监督眼镜去除
本文提出了一种名为 Eyeglasses Removal Generative Adversarial Network (ERGAN) 的统一眼镜去除模型,它能够处理野外环境中的各种眼镜类型,为面部识别、面部表情识别等多种应用提供了前处理方 - 基于依赖感知的注意力控制技术用于无约束人脸图像集识别
本文介绍了一种使用马尔可夫决策过程和依赖关注控制网络来解决图像集合中人脸验证和识别的问题。该网络中使用了姿态引导表示方案来提高性能。
- 自注意力引导综合极化热到可见光人脸验证
本研究提出了一种基于 SAGAN 的综合网络,旨在将可见人脸合成为热成像,并将热成像合成为可见人脸,在跨域匹配中取得了最先进的性能。
- 分类是深度度量学习的强基线
本文通过评估在多种标准数据集上,对基于分类的参数化训练方法在图像检索领域的有效性和可扩展性进行了分析,进一步提供了样本分类的子采样和数据二值化对实际应用性能的影响。
- 虚拟教室增强的判别性嵌入学习
本文提出了一种名为 Virtual Softmax 的新颖而极其简单的方法,通过注入动态负类来增强学习特征的区分性能力,目的是扩大类间边界并压缩类内分布以加强决策边界约束,从而提高物体分类和人脸验证任务的性能。
- 人脸检测、识别和验证的快速准确系统
本文提出了一种使用深度神经网络技术实现的、适用于各种人脸检测和识别的解决方案,包括面部检测、特征定位和人脸验证等环节,并在许多测试数据集上达到了最新水平。