人脸识别
文章平均质量分 80
MQTXWD
小白一枚,请多多指教
展开
-
17.2.20 Sparsifying Neural Network Connections for Face Recognition 小感
本文主要是提出了一种稀疏神经元连接的方法。主要是根据神经元之间的相关性正负和大小,只保留对模型影响较大的神经元间的连接,将影响不大的舍去。原创 2017-02-20 17:54:42 · 1416 阅读 · 6 评论 -
18.7.17 Towards Pose Invariant Face Recognition in the Wild小感
最近再读一篇文章《Towards Pose Invariant Face Recognition in the Wild》。在人脸识别中,影响准确率的一个比较重要的因素是姿态的多样性。放眼目前的人脸识别技术,有两种方法为主流方向,一种是直接提取不同姿态的人脸特征,另一种就是再提取特征之前,现将人脸摆正。本文则认为,可以将两种方法联合起来使用,最终二者相互影响,实现准确率的提升。本文提出了一种P...原创 2018-07-17 10:09:15 · 2033 阅读 · 1 评论 -
18.7.9 Dynamic Feature Learning for Partial Face Recognition 小感
最近读了一篇关于部分人脸识别的文章,来自于CVPR2018的。论文链接《Dynamic Feature Learning for Partial Face Recognition》。部分人脸识别(Partial Face Recogntion)在很多的领域是个比较重要的工作。但是大部分的研究都不能实现一个任意尺寸的人脸图片的识别问题。本文主要采用全卷积网络(FCN)加上稀疏表示分类(SRC)的...原创 2018-07-09 14:16:15 · 1555 阅读 · 2 评论 -
18.4.9 Range Loss for Deep Face Recognition with Long-tail 小感
最近读了一篇《Range Loss for Deep Face Recognition with Long-tail》,是继centerloss,A-softmax loss之后的有一篇对loss进行的工作,即提出了range loss。其中caffe中定义的range loss的层定义已经在github上上传了(传送门)。首先,作者提出了现在数据库中普遍存在的问题,就是数据存在长尾分布的情况...原创 2018-04-09 10:18:30 · 3017 阅读 · 3 评论 -
17.11.15 centerloss使用的时候需要注意的一些点
在接触了centerloss这么久之后,总结了一些需要注意容易出错的点: 1. 在使用之前应该对caffe重新编译一下。记得,当初刚接触caffe不是很久的时候,对最最最最最初级的方法还不是很了解,傻乎乎的直接拿过来就用,一直报错,很是难受。后来再大神的指点下,把caffe重新编译了一下。。。 2. 如果将centerloss要用的自己的caffe网络中的话,在已经编译的基础上,需要做的就是在原原创 2017-11-15 10:58:02 · 1392 阅读 · 0 评论 -
17.4.17 漫画与人脸识别(二) WebCaricature: a benchmark for caricature face recognition 小感
最近在读《WebCaricature: a benchmark for caricature face recognition》。 本文主要有是三个贡献。提出了一个新的漫画数据库。数据库包裹252个人的漫画和照片,其中每个人平均有32张照片和57张漫画肖像。对于数据库中的每一张照片,提供了17个人脸特征点的位置。本文提出的数据库将会是目前可获取的最大的漫画数据库。对于每个人的肖像漫画,搜集了不同原创 2017-04-17 20:33:08 · 3936 阅读 · 7 评论 -
17.4.24 漫画与人脸识别(四) Face Painting: querying art with photos 小感
最近读了《Face Painting: querying art with photos》本文主要有以下几点贡献: 1.基于人脸特征表示的识别结果能够明显得到提升 2.提出了新的用来学习和研究照片到painting匹配问题的数据库(*) 3.考虑了从painting到照片的问题 4.利用学习到的分类器,对于给定的人脸照片,找到对应的painting。本文的painting主要来自于两个渠道,原创 2017-04-24 18:28:55 · 1468 阅读 · 0 评论 -
17.4.17 漫画与人脸识别(一)
从以往的人脸识别的学习中,知道目前对于机器而言,他们无法做对于夸张的人脸肖像进行识别。最近读到了一篇关于人脸肖像的识别问题,来了兴趣。话不多话,漫画想必大家都应该看过,就算是同一个人也会有不同风格的肖像漫画图。如下所示。 从上面的四张图片中可以看出,不同风格的肖像图能够突出不同的人脸部分的特征。 对于这种类型的人脸肖像图,人能够比较容易辨认出该图片属于哪个人,但是对于机器而言原创 2017-04-17 14:58:49 · 6148 阅读 · 0 评论 -
17.4.20 漫画与人脸识别(三)Matching caricatures to photographs 小感
最近读了《Matching caricatures to photographs》。一、引言 人脸的肖像画可以单单靠几条线、几个点让人辨认出他是谁,即一张人脸的肖像画是一种informative的图片。对于给定的漫画,如何匹配到与之对应的照片是一种比较具有挑战性的人脸匹配问题。大部分的人可以通过一张漫画找到对应的照片,但是对于计算机而言,并没有这种能力。主要是因为,漫画中的人的特征常常会被夸张化,原创 2017-04-20 10:35:45 · 4025 阅读 · 14 评论 -
17.4.10 Deep Heterogeneous Feature Fusion for Template-Based Face Recognition 小感
首先,给自己一个目标吧。以后保证每个工作日至少发飙一篇博客,内容主要是记录最近都干了些什么,遇到了什么问题,如何解决的,以及有什么想法。 近期读了一篇文章 《Deep Heterogeneous Feature Fusion for Template-Based Face Recognition》 在本文中,通过大量的研究可以知道不同的深度网络会学习到不同的深度特征,并且某些网络能够较好的处理原创 2017-04-10 10:54:25 · 2256 阅读 · 2 评论 -
17.3.30 DeepVisage: Making face recognition simple yet with powerful generalization skills 小感
最近读了《DeepVisage: Making face recognition simple yet with powerful generalization skills》这篇文章。从作者的abstract来说,本文利用残差学习框架,利用归一化之后的特征计算损失的方法。在提出自己的网络之前,作者首先分析了近几年的人脸识别的常见的几种方法:CNN learning with different原创 2017-03-30 15:27:11 · 1874 阅读 · 0 评论 -
17.3.22 Multi-task Convolutional Nerual Network for Face Recognition 小感
最近读了Multi-task Convolutional Nerual Network for Face Recognition,本文主要利用了多任务学习的知识,详见http://blog.csdn.net/u011732139/article/details/61912960首先,本文的主要贡献有四点: 1.解释了为什么可以利用多任务学习的方法(子任务是姿态,遮挡和表情,简称PIE)能够提高人脸原创 2017-03-22 13:45:41 · 735 阅读 · 2 评论 -
17.3.6 Enhanced Local Binary Patterns Automatic Face Recognition 小感
最近读了《Enhanced Local Binary Patterns Automatic Face Recognition》总的感想是,就是一个略微有些变化的LBP。首先,先了解一下什么是LBP。对于LBP的介绍网上有很多教程。简单来讲就是将一张图片的像素值转变为0、1表示。实际就是将周围的像素点与中间的像素点进行比较,比中间大的就是1,小的就是0。 本文所提的E-LBP的方法如图所示。原创 2017-03-06 13:53:22 · 441 阅读 · 0 评论 -
17.2.27 Grid Loss : Detecting Occluded Faces 小感
《Grid loss : Detecting Occluded Faces》主要是提出了一种新的损失叫做 Grid Loss。主要解决的问题是在人脸检测过程中出现的部分遮挡问题。由于不是每一个人脸部分都是辨识度比较高的,所以普通的CNN在解决遮挡问题的时候并没有较好的表现。所以本文提出的Grid Loss在一定程度上加强了对部分人脸的辨识程度。本文的主要实现方法如图1所示。 本文的检测CNN模型是原创 2017-02-27 10:36:53 · 1330 阅读 · 1 评论 -
17.2.22 Pose-Aware Face Recognition in the Wild 小感
最近在看一篇基于姿态已知的人脸识别论文。 《Pose-Aware Face Recognition in the Wild》本文目的是解决了在自然环境下的人脸识别的问题,主要是针对姿态多样性的问题。本文提出了Pose-Aware Models(PAMs)的模型,在模型训练时,针对不同的姿态角度训练不同的模型。本文利用CASIA WebFace,IJB-A和PIPA数据库。PIPA数据库在http:原创 2017-02-22 16:26:58 · 1929 阅读 · 0 评论 -
17.2.21 人脸识别中68个特征点的检测顺序
对于一些常用的人脸库常常会提供对应的人脸框的位置以及人脸的特征点的坐标。虽然往往会有68个特征点的坐标,但是如果是用于人脸对齐,并不需要用到所有的点坐标。所以知道特征点的检测顺序能够帮助我们很快的找到我们所需要的特定点坐标。如图1所示,图中将68个特征点的检测顺序一次标注了出来。(图片摘自http://blog.csdn.net/zmdsjtu/article/details/53454071)原创 2017-02-21 16:12:11 · 15263 阅读 · 0 评论 -
18.7.12 Pose-Robust Face Recognition via Deep Residual Equivariant Mapping 小感
论文链接:Pose-Robust Face Recognition via Deep Residual Equivariant Mapping本文主要解决的问题是人脸识别中常见的一个难点:姿态问题。近些年来,人脸识别问题在深度学习的基础下得到了飞速的发展。但是大部分的人脸识别模型在处理侧脸样本的时候有存在不足。一个最主要的原因是正脸和侧脸样本个数的极度不平衡。同样的,在人脸姿态变化比较多样...原创 2018-07-12 14:31:53 · 1565 阅读 · 4 评论