面部识别必看！5篇论文了解如何实现人脸反欺诈、跨姿势识别等（附链接）
|
[ 导读 ]面部辨认是计较机视觉中最大的研究规模之一。很多公司都投资于面部辨认技能的研究和开拓。 面部辨认是计较机视觉中最大的研究规模之一。此刻，我们可以行使面部辨认来解锁手机，在安详门上验证身份，并在某些国度/地域举办刷脸付出。很多公司都投资于面部辨认技能的研究和开拓，本文将重点先容个中的一些研究，并先容五篇有关人脸识此外呆板进修论文。 1. 大局限多模式人脸反诓骗的数据集和基准
跟着大量现实应用，人脸辨认技能变得越来越重要。从智妙手机解锁到人脸验证付款方法，人脸辨认可以在很多方面进步安详性和监督手段。
可是，该技能也带来一些风险。可以行使多种面部诓骗要领来诓骗这些体系。因此，面部防诓骗对付防备安详裂痕至关重要。 为了支持面部反诓骗研究，本文的作者先容了一种名为CASIASURF的多模式面部反诓骗数据集。截至本文撰写之日，它是最大的面部反诓骗开放数据集。 详细来说，该数据集包罗以RGB，深度和IR方法从1000个主题中拍摄的21000个视频。除了数据集外，作者还提出了一种新奇的多模式融合模子，作为面部反诓骗的基准。 宣布/最近更新– 2019年4月1日 作者和投稿人–Shifeng Zhang (NLPR, CASIA, UCAS, China) , Xiaobo Wang (JD AI Research), Ajian Liu (MUST, Macau, China), Chenxu Zhao (JD AI Research), Jun Wan (NLPR, CASIA, UCAS, China), Sergio Escalera (University of Barcelona), Hailin Shi (JD AI Research), Zezheng Wang (JD Finance), Stan Z. Li (NLPR, CASIA, UCAS, China).。 https://arxiv.org/pdf/1812.00408v3.pdf 2. FaceNet：人脸辨认和聚类的同一嵌入
在本文中，作者提出了一种称为FaceNet的面部辨认体系。 该体系行使深度卷积神经收集优化嵌入，而不是行使中间瓶颈层。作者指出，该要领最重要的方面是体系的端到端进修。 该团队在CPU集群上实习了卷积神经收集1000到2000小时。然后，他们在四个数据集上评估了他们的要领。 值得留意的是，FaceNet在闻名的田野标志人脸(LFW)数据集上的精确性到达99.63%，在Youtube Faces数据库上到达95.12%。 宣布/最近更新– 2015年6月17日 作者和撰稿人– Florian Schroff, Dmitry Kalenichenko, and James Philbin, from Google Inc. https://arxiv.org/pdf/1503.03832v3.pdf 3. 概率脸部嵌入
用于面部识此外当前嵌入要领，可以或许在受控配置中实现高机能。这些要领通过拍摄一张脸部图像并将有关该脸部的数据存储在隐藏的语义空间中而起浸染。 可是，当在完全不受节制的配置下举办测试时，当前要领无法正常执行。这是因为在图像中穷乏面部特性或迷糊其词的环境。这种环境的一个例子是监督视频中的人脸辨认，个中视频的质量也许很低。 为了辅佐办理这个题目，本文的作者提出了概率面目嵌入(PFE)。作者提出了一种将现有确定性嵌入转换为PFE的要领。最重要的是，作者指出，这种要领有用地进步了人脸辨认模子的机能。 宣布/最新更新– 2019年8月7日 作者和孝顺者–Yichun Shi and Anil K. Jain, from Michigan State University. https://arxiv.org/pdf/1904.09658.pdf 4. 人脸识此外妖怪在噪音中
商汤研究院，加利福尼亚大学圣地亚哥分校和南洋理工大学的研究职员研究了大局限面部图像数据齐集的噪声影响。 因为它们的局限和本钱效益，很多大型数据集都轻易发生标签噪声。本文旨在提供有关标签噪声源及其在人脸辨认模子中的效果的常识。另外，他们的方针是成立并宣布一个名为IMDb-Face的干净人脸辨认数据集。 该研究的两个首要方针是发明噪声对最终机能的影响，并确定注释脸部身份的计策。为此，该团队手动整理了两个风行的张开面部图像数据集，MegaFace和MS-Celeb-1M。他们的尝试表白，仅在其整理的MegaFace数据集的32%和MS-Celeb-1M整理的数据集的20%上实习的模子与在整个原始未整理的数据集上实习的模子具有相似的机能。 宣布/最新更新– 2018年7月31日 作者和孝顺者–Fei Wang (SenseTime), Liren Chen (University of California San Diego), Cheng Li (SenseTime), Shiyao Huang (SenseTime), Yanjie Chen (SenseTime), Chen Qian (SenseTime), and Chen Change Loy (Nanyang Technological University). https://arxiv.org/pdf/1807.11649v1.pdf 5. VGGFace2：用于辨认跨姿势和年数的人脸的数据集
关于深度卷积神经收集的面部辨认已经举办了很多研究。 反过来，已经建设了很多大局限的面部图像数据集来实习那些模子。 可是，本文的作者指出，先前宣布的数据集并未包括有关面部姿势和年数变革的大量数据。 在本文中，牛津大学的研究职员先容了VGGFace2数据集。 该数据集包括年数，种族，照明和姿势变革范畴普及的图像。 数据集总共包括331万张图像和9,131个工具。
（编辑：河北网） 【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容! |
