- 从野外面部图像中的年龄和性别分类的混合 Transformer-Sequencer 方法
该论文旨在通过结合自注意力和双向 LSTM 方法,提出了一个混合模型来解决年龄和性别分类问题,并与现有的先进模型进行对比,结果显示该模型在年龄和性别分类方面分别比先前的模型提高了约 10% 和 6%,表现更好,具有更广泛的学习能力,可应用于 - 使用预训练视觉 Transformer 和 BERT 自动生成组织病理学图像报告
通过使用预训练的 Vision Transformer 将整个高分辨率图像编码为 4096x4096 大小的补丁,并使用预训练的 BERT 模型进行基于语言建模的解码,我们建立了一个性能良好且可移植的报告生成机制,不仅能生成和评估描述图像的 - 应用深度学习于具有不同电极布局的脑电图数据的空间注意力
通过对脑电数据进行空间注意力调控和信道协调,探讨了在不同电极脑电数据下使用深度学习模型的性别分类任务,并以实验证明使用不同电极脑电数据进行训练的深度学习模型在性别分类中显著优于使用固定 23 通道和 128 通道数据的模型。
- 近眼生物识别:数据库、算法与方向
该论文综述了近眼生物特征识别领域的最新研究现状,重点覆盖了相关问题,并对现有文献进行了详细探讨,同时简要讨论了未来的研究趋势。
- 公平 AI 的数据质量维度
本文讨论了人工智能系统中的偏见问题,尤其是在涉及人类时,AI 算法反映了由于错误标记的数据来源的技术性误差。作者提出了通过实施数据质量维度以减轻偏见分类错误的潜在改进,涉及到两种性别:非二元性和跨性别者的分类。
- 从印度姓名解读人口不公平现象
本研究旨在使用三个数据库培训最先进的性别和种姓分类器,针对性别和种姓的复杂人口分布布局,对现有系统进行偏差评估和错误分析。
- 揭示和纠正图像字幕数据集和模型中的性别偏见
本文研究了 COCO 图像描述数据集中的性别偏见对训练模型的影响以及如何通过解耦图像描述和性别分类的方法来消除偏见。
- CVPR多模态年龄和性别分类:使用耳朵和侧脸图像
本文提出了基于多模态深度神经网络框架的人脸及耳朵综合识别系统,通过探索不同的多模态策略和领域适应技术,同时结合面部及耳部图像信息,成功实现了高精度的年龄和性别识别。
- 理解面部图像中不平等的性别分类准确性
本文试图解释商用面部分类服务在性别分类任务中在由皮肤类型和性别所定义的交叉群体中表现不平等的原因。研究发现,皮肤类型不是造成准确率差异的主要原因。相反,实验表明跨族群差异在唇、眼和颧结构上的差异导致准确率的差别,唇和眼彩妆在女性面部中被视为 - 耳部图像的年龄和性别分类
本研究通过深度卷积神经网络方法和基于几何和外观特征的方法对耳部图像进行建模,以进行性别和年龄分类。我们利用了几何特征和外观方法的混合模型,其中一些知名的卷积神经网络模型包括 AlexNet、VGG-16、GoogLeNet 和 Squeez - CVPR使用卷积神经网络进行性别分类的 2 个盒子 3 个裁剪的面部图像
本文提出了一种利用深度学习方法在人脸图像中进行性别识别的方法,并在性别注释的 Adience 和 LFW 数据集上进行了 fine-tuning,最终在 Adience 和 LFW 上的分类精度分别达到了 90.8% 和 95.3%,并能够 - 半对抗网络:卷积自编码器用于为人脸图像赋予隐私
该论文设计和评估了一种卷积自编码器,通过扭曲输入的人脸图像来保护个人隐私,使用半对抗训练方案训练模型,实现图像模糊化编码,扰动后的图像可用于脸部评价但不适用于性别分类和生物识别。该方案在扰动图像的逼真性、性别属性混淆和生物识别性能三个方面得 - ECCV面部动态解析网络:面部特征估计中局部动态之间的重要关系是什么?
本文提出了一种新颖的深度学习方法,名为面部动态解释器网络,用于解释表情序列中面部局部动态之间的重要关系以估计面部特征,通过比较实验,证明该方法在性别分类和年龄估计方面的有效性,并且优于现有的方法。
- 实时卷积神经网络用于情感和性别分类
本文提出并实现了一个通用的卷积神经网络(CNN)构建框架,用于设计实时 CNN。我们通过创建一个实时视觉系统来验证我们的模型,在一个混合步骤中同时完成面部检测、性别分类和情感分类的任务。我们提供了训练过程设置的详细信息,并在标准基准集上进行 - 基于 AdaBoost 融合独立面部特征和模糊面部的 AFIF4 深度性别分类
本文提出了一种新的性别分类策略,它采用人们识别性别的行为方式,结合分离的面部特征和模糊脸全局特征,训练深度卷积神经网络,并采用 AdaBoost 得分融合推断最终性别类别,以在广义和未受限数据集上实现更好或与现有技术水平相当的精度,同时推出 - 将 “何时更新” 与 “如何更新” 分离
本文提出了一种元算法来解决因从不同来源挖掘数据而导致的噪声标签问题,具有更新时间和更新方式分离的关键思想,利用简单实现的方法,将著名数据集 LFW 和文本性别化服务相结合用于性别分类,得到了最先进的结果,并分析了算法的收敛性能。
- 基于 CNN 特征的年龄与性别分类的可迁移性如何?
通过使用深度卷积神经网络模型,对于人脸图像中的年龄和性别的识别,使用特征相似的 VGG-Face 模型提高了 7% 和 4.5% 的准确性,同时比使用特定任务的 GilNet 模型表现更佳。