An End-to-End System for Unconstrained Face Verification with Deep Convolutional Neural Networks

最新推荐文章于 2023-03-28 12:02:25 发布
最新推荐文章于 2023-03-28 12:02:25 发布
阅读量1.6k 收藏
点赞数
分类专栏： 人脸识别 ZJ
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/cv_family_z/article/details/50629437
版权

本文提出的系统是一个完整的自动人脸验证系统。我们首先从图片和视频帧中检测人脸。然后人脸跟踪，人脸特征检测，最后人脸匹配即相似度计算。
整个系统流程图如下：
这里写图片描述

3.1. Face Detection
我们使用文献【27】的算法进行人脸检测，DeepPyramidDeformable Parts Model for Face Detection (DP2MFD)，一种基于深度学习的人脸检测器。

3.2. Face Association
使用 Kanade-Lucas-Tomasi (KLT) feature tracker [32] 进行人脸的跟踪，从而将视频中同一个人脸进行关联。我们加入了 文献【3】中的 tracklet linking 方法使得关联更加鲁棒。

3.3. Facial Landmark Detection
我们将特征点检测看做一个回归问题。使用CNN特征。

这里写图片描述

3.4. Face Verification
我们使用文献【9】的网络架构，在 CASIA-WebFace 数据库上进行训练。网络包括 10个卷积层，5个池化层，1个全链接层。所有的滤波器尺寸是 3*3.
我们使用了 Joint Bayesian Metric Learning 来提高性能。

4 Experimental Results

这里写图片描述

要是有源码就好了！

cv_family_z
关注
专栏目录
End-to-end 3D face reconstruction with deep neural networks
qq_31751039的博客
06-27 1218
Abstract  该文不采用利用rgb图和初始化3D面部表情渲染的方式, 是端对端的， 可以避免复杂的3D渲染.我们从两个方面综合DNN，利用多任务损失函数和融合DNN来改善面部表情重构；利用多任务损失函数， 可以将3D人脸重构分为3D人脸重构和3D人脸表情重构两个部分. 由于中性面部形状是类固定的，所以用网络的高层特征表示，而面部表情用低层或中层网络层特征表示。Method  用一系列的形状和...
论文笔记1.3——Joint Face Detection and Alignment using Multi-task Cascaded Convolutional Networks
大西瓜不甜的博客
02-28 446
三、EXPERIMENTS In this section, we first evaluate the effectiveness of the proposed hard sample mining strategy. Then we compare our face detector and alignment against the state-of-the-art method...
End-to-End Learning of Deformable Mixture of Parts and Deep Convolutional Neural Networks for Human
u013548568的博客
02-27 705
1、文章整体类似[3][4]两篇文章2、作者指出在训练的时候经常会出现没有标注的人体部位预测了出来，这种情况对于错误反传是有影响的，原因是因为没有考虑整体人体的关机位置关系                                [4]这篇文章提出了用DCNN和deformable model结合在一起的方式进行训练，能够灵活的处理tree，star和loopy的结构文章的主要贡献三个1）新...
[CVPR2017]End-to-end 3D face reconstruction with deep neural networks
wrk226的博客
01-25 263
提出了 End-to-End 3D FAce Reconstruction (UH-E2FAR)模型，利用DNN来从单张2D图像中拟合出3DMM的形状参数 本文将人脸形状分为两个子任务：身份和表情，然后通过优化两个loss联合训练。 为了表示目标人脸S，先假设我们有平均脸S_bar，然后对所有人的中性脸做pca，就可以得到身份的主成分特征。之后再通过每个人不同扫描之间的偏移量做PCA得到表情的主成分特征。将这两个加到S_bar上就可以表示S了 BFM：53490个顶点，160470个三角形面，有利于表达面部
论文阅读：End-to-End Learning of Deformable Mixture of Parts and Deep Convolutional Neural Networks for H
一亩半分地
07-06 3483
human pose estimation DPM End-to-End Learning of Deformable Mixture of Parts and Deep Convolutional Neural Networks for Human pose estimation
End-to-end Face Detection and Cast Grouping in Movies Using Erdos-Renyi Clustering
我咋学不会的博客
12-05 306
三个创新点 将人脸检测和跟踪结合起来得到高质量的人脸轨迹 提出一种基于Erdos-Renyi图理论的聚类算法（It is based on the observations that large clusters can be fully connected by joining just a small fraction of their point pairs, while just a s...
（八：2020.08.27）CVPR 2020 追踪之论文纲要（译）
Jojo论文基地
08-27 1万+
CVPR 2019 追踪之论文纲要（修正于2020.08.27）讲在前面论文目录 讲在前面 论坛很多博客都对论文做了总结和分类，但就医学领域而言，对这些论文的筛选信息显然需要更加精细的把控，所以自己对这1400篇的论文做一个大致从名称上的筛选，希望能找到些能解决当前问题的答案。 论文链接建议直接Google论文名，比去各种论文或顶会网站找不知道快捷多少。 Respect！ 论文目录 论文 概要 12-in-1 - Multi-Task Vision and Language Repre
基于视觉的机器人抓取: 论文及代码(Vision-based Robotic Grasping: Papers and Codes)
dsoftware的博客
10-22 2万+
最近总结了基于视觉的机器人抓取的相关论文及代码，同步于github。根据抓取的类别，基于视觉的机器人抓取可以分为两类：2D平面抓取以及6D空间抓取。这个页面总结了近年来涉及到的各种各样的方法，其中大部分都使用了深度学习。总结的中文框架结构如下： 0.综述论文 1. 2D平面抓取 这类方法将抓取，用平面内旋转的矩形框表示； 1.1基于RGB或者RGB-D的方法 采用基于目标检测类的方法，直接得到2D...
【2011-2016】 NIPS汇总 - Advances in Neural Information Processing Systems
Testing的博客
10-02 1万+
Advances in Neural Information Processing Systems 24 (NIPS 2011) The papers below appear in Advances in Neural Information Processing Systems 24 edited by J. Shawe-Taylor and R.S. Zemel and P.L.
"Deep Facial Expression Recognition: A Survey"论文笔记
Nefelibata_eve的博客
12-24 2565
introduction FER systems can be divided into two main categories according to the feature representations: static image FER and dynamic sequence FER.（时空信息） The majority of the traditional methods h...
paper survey（2019.06.05）——卷积网络feature map的传递与利用
gwpscut的博客
06-05 4853
最近阅读大量的paper来寻找突破点，就不打算一篇一篇的写博文的，直接记录于此（比较有意思的paper会独立出来博客） 目录 《Scale-Transferrable Object Detection》 《Weakly Supervised Phrase Localization with Multi-Scale Anchored Transformer Network》 《Fact...
3D人脸重建开源项目整理
最新发布
03-28 1050
源码：https://github.com/zihangJiang/DR-Learning-for-3D-Face。源码：https://github.com/yuefurong97/extreme_3d_faces。源码：https://github.com/yuefurong97/MobileFace。源码：https://github.com/yuefurong97/3dmm_cnn。源码：https://github.com/yuefurong97/RingNet。
一种快速准确的人脸检测、识别和验证系统
gzq0723的博客
08-26 767
即将迎来了2019世界人工智能大会，相信这个会议又一次推动人工智能的发展，有兴趣的同学可以去参加感受一下人工智能的热度，绝不会低于这个夏天的高温。今天“计算机视觉战队”为...
face recognition[翻译][深度人脸识别:综述]
weixin_34232363的博客
10-18 1744
这里翻译下《Deep face recognition: a survey v4》. 1 引言 由于它的非侵入性和自然特征，人脸识别已经成为身份识别中重要的生物认证技术，也已经应用到许多领域，如军事，进入，公共安全和日常生活。FR自然在CVPR会议中也占据了十分长的时间。早在1990年代，随着特征脸的提出[157]，FR就成为了一个比较热门的研究领域。过去基于特征进行FR的里程碑方法在图1中有所...
身体姿势估计 - Human Pose Estimation
MyArrow的专栏
07-19 7776
1. 简介    人体姿势估计主要采用：数据驱动、从下到上的方法；在此方法中，像素被独立地标记为身体的某一部分，或投票决定关节的位置。
ImageNet Classification with Deep Convolutional Neural Networks
八千里路
10-12 929
1       数据预处理 原始图片→缩小成短边(shorter side)长度为256的图片→从图像中心分割出256*256的图片。 2 训练技巧 (1)  神经元的激活函数用Rectified Liner Units(ReLUs)，即：，而不是传统的或。大大提高了训练速度(Figure 1所示)。 (2)  局部响应正则化(Local Response Norm
MobileNets—深度学习模型的加速
热门推荐
AI之路
06-08 3万+
本篇博文来介绍一个深度学习模型加速的算法：MobileNets，可以在基本不影响准确率的前提下大大减少计算时间和参数数量。论文：MobileNets Efficient Convolutional Neural Networks for Mobile Vision Applications 论文链接：https://arxiv.org/abs/1704.04861算法概述：深度学习网络广泛应用在图
3D【4】人脸重建:Large Pose 3D Face Reconstruction from a Single Image via Direct Volumetric
DCD_LIN的博客
02-24 4669
该论文主要是用CNN直接重建3D人脸，而不是预测3DMM模型的参数，网络结构是漏斗网络（ HG）。论文提出了三种方案，第一种是直接从图片重建，第二种是加入了人脸特征点，第三种是多任务（重建+人脸特征点预测）。效果最好的是第二种方法。 值得注意的是，该论文不是直接预测顶点的x、y、z坐标。而是将mesh转成voxel，变成一个192*192*200的矩阵。这样就比较适合CNN。我们先看看mesh...
无约束人脸对齐：多中心卷积网络CCF-B
"本文介绍了一种名为多中心卷积网络（CCF-B）的新方法，专门用于解决无约束条件下的面部对齐问题。该方法利用面部地标之间的结构相关性，通过空间位置聚类来设计网络。通过预训练和微调阶段，网络能够有效地学习和...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值