An Effective Unconstrained Correlation Filter and Its Kernelization for Face Recognition
Xiamen University（厦门大学）；Huaqiao University（华侨大学）
本文提出了一种有效的无约束相关滤波器--无约束最优原点折衷滤波器（UOOTF），并将其应用于鲁棒人脸识别。与传统的相关滤波器在类相关特征分析（CFA），UOOTF提高了整体性能的不可见的模式，通过删除硬约束的原始相关输出在滤波器的设计。为了处理不同类之间的非线性可分分布，我们进一步开发了基于核技术的UOOTF的非线性扩展。UOOTF的内核扩展允许更高的灵活性的决策边界，由于更广泛的非线性特性。实验结果表明，所提出的无约束相关滤波器及其核化算法在人脸识别中是有效的。
2016-03-25 cs.CV
Unconstrained Still/Video-Based Face Verification with Deep Convolutional Neural Networks
University of Maryland（马里兰大学）
在过去的五年中，基于深度卷积神经网络（DCNN）的方法在目标检测和识别问题上表现出令人印象深刻的性能改进。这是由于大型注释数据集的可用性，对输入图像和类别标签之间的非线性映射的更好理解以及GPU的可负担性。在本文中，我们提出了无约束人脸识别的深度学习系统的设计细节，包括人脸检测，关联，对齐和人脸验证模块。使用IARPA Janus基准A（IJB-A）、JANUS挑战集2（JANUS CS2）和LFW数据集进行定量性能评估。IJB-A数据集包括500个受试者的真实无约束人脸，这些受试者具有显著的姿势和光照变化，这比野生标签人脸（LFW）和Youtube人脸（YTF）数据集要困难得多。JANUS CS2是IJB-A的扩展版本，它不仅包含IJB-A的所有图像/帧，还包含用于评估基于视频的人脸验证系统的原始视频。然后讨论了DCNN在人脸验证问题中的一些开放问题。
2017-07-18 cs.CV
Leveraging Billions of Faces to Overcome Performance Barriers in Unconstrained Face Recognition
我们采用了face.com内部开发的人脸识别技术，达到了一个公认的基准，并表明无需任何调整，我们就能够大大超过最先进的结果。大部分改进集中在零假阳性匹配的高值性能点，其中获得的召回率几乎是迄今为止最好的报告结果的两倍。我们讨论了我们的系统，使这一显着的性能差距的各种组件和创新。这些组件包括广泛利用精确的3D重建形状模型来处理姿势和照明带来的挑战。此外，基于数十亿张人脸的判别模型被用于克服衰老和面部表情以及低光和过度曝光。最后，我们确定了一组具有挑战性的识别查询，可能为未来的研究提供有用的重点。
2011-08-04 cs.CV
Unconstrained Face Recognition using ASURF and Cloud-Forest Classifier optimized with VLAD
Center for Pattern Recognition and Machine Intelligence, PES University（PES大学模式识别与机器智能中心）
本文提出了一种计算效率高的多类人脸图像分类算法，其中图像受到平移、旋转、尺度、颜色、光照和仿射失真的约束。该方法分为五个主要模块：用于人脸检测的Haar-Cascade、用于去除图像噪声的双边滤波器、用于关键点检测和描述的仿射加速鲁棒特征（ASURF）、用于特征量化的局部聚集描述符矢量（VLAD）和用于图像分类的云雾森林。所提出的方法旨在提高人脸识别系统的准确性和所需的时间。使用Cloud Forest算法作为分类器对三个基准数据集（即FACES 95，FACES 96和ORL面部数据集）进行分类，显示出良好的结果。所提出的方法，使用云森林算法成功地提高了识别模型2-12\%时，区别于其他集成技术，如随机森林分类器取决于所使用的数据集。
2021-04-02 cs.CV cs.LG
Boosting Unconstrained Face Recognition with Targeted Style Adversary
针对人脸识别模型跨域表现不佳的问题，提出目标风格对抗方法TSA，通过特征统计插值扩充训练数据并保留身份信息，性能优异且训练速度提升近70%、内存消耗降40%。
2024-08-14 cs.AI cs.CV
An Experimental Evaluation of Covariates Effects on Unconstrained Face Verification
University of Maryland, College Park（马里兰大学帕克分校）；Department of Electrical and Computer Engineering, University of Maryland, College Park（马里兰大学帕克分校电气与计算机工程系）；Center for Automation Research, University of Maryland, College Park（马里兰大学帕克分校自动化研究中心）；Department of Electrical and Computer Engineering（电气与计算机工程系）
协变量是对面部验证性能具有削弱影响的因素。本文全面研究了无约束人脸验证中的两个协变量相关问题：一是协变量如何影响深度神经网络在大规模无约束人脸验证问题上的性能;二是如何利用协变量提高验证性能。为了研究第一个问题，我们实现了五个最先进的深度卷积网络（DCNN）用于人脸验证，并在三个具有挑战性的协变量数据集上对其进行评估。总共考虑了七个协变量：姿势（偏航和滚动）、年龄、面部毛发、性别、室内/室外、遮挡（鼻子和嘴巴可见性、眼睛可见性和前额可见性）和肤色。这些协变量涵盖了面孔的内在特征和外在因素。一些结果证实并扩展了以前研究的结果，另一些是以前很少提到或没有显示一致趋势的新发现。对于第二个问题，我们证明了在性别信息的帮助下，可以进一步提高用于人脸识别的预先策划的噪声大规模人脸数据集的质量。在使用策划的数据重新训练面部识别模型之后，在低错误接受率（FAR）（FAR= $10^{-5}$、$10^{-6}$、$10^{-7}$）下观察到性能改善。
2018-08-16 cs.CV
Unconstrained Face Detection and Open-Set Face Recognition Challenge
University of Colorado Colorado Springs（科罗拉多大学科罗拉多斯普林斯分校）；Carnegie Mellon University（卡内基梅隆大学）；Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院）；University of Surrey（萨里大学）；West Virginia University（西弗吉尼亚大学）；University of Wolverhampton（伍尔弗汉普顿大学）
人脸检测和识别基准已经转向更困难的环境。本文提出的挑战解决了从室外监控摄像机自动检测和识别人的方向的下一步。虽然人脸检测在从网络收集的图像中取得了显着的成功，但监控摄像头包括更多样化的遮挡，姿势，天气条件和图像模糊。虽然人脸验证或闭集人脸识别在某些数据集上已经超过了人类的能力，但开集识别要复杂得多，因为它需要拒绝来自人脸检测器的未知身份和错误接受。我们表明，无约束的人脸检测可以接近高的检测率，虽然有适度的错误接受率。相比之下，开集人脸识别目前还很弱，需要更多的关注。
2018-09-25 cs.CV
Face Recognition Under Varying Blur, Illumination and Expression in an Unconstrained Environment
Madras Institute of Technology（马德拉斯理工学院）
人脸识别系统是模式识别和计算机视觉的重要研究领域之一，同时也是其面临的主要挑战。识别人脸的一些挑战是模糊，照明和各种表情。使用相机、手机等拍摄照片时，模糊是很自然的。模糊可以是均匀的，也可以是不均匀的。通常，非均匀模糊发生在使用手持图像设备拍摄的图像中。在人脸识别系统中区分或处理模糊图像通常是困难的。在不同的照明条件下，正确识别人是具有挑战性的。幸福、悲伤、惊讶、恐惧、愤怒等多样化的面部表情会改变或变形正常图像的面部表情。由于面部表情所引起的变形，识别具有面部表情的人脸也是一项具有挑战性的任务。为了解决这些问题，进行了预处理步骤，之后进行模糊和光照鲁棒人脸识别（BIRFR）算法。利用表情去除（FER）算法将带有表情的测试图像和训练图像转化为中性人脸。每个训练图像都基于最佳变换扩展函数（TSF）和光照系数进行变换。从测试图像和变换后的训练图像中提取局部二值模式（LBP）特征用于分类。
2019-02-28 cs.CV cs.LG
Learning Channel Inter-dependencies at Multiple Scales on Dense Networks for Face Recognition
West Virginia University（西弗吉尼亚大学）
我们提出了一种新的无约束人脸识别深度网络结构。该网络将几个关键组件集成在一起，以表征复杂的数据分布，例如无约束的人脸图像。受深度网络最新进展的启发，我们考虑了一些重要的概念，包括多尺度特征学习，网络层的密集连接，以及对不同网络流进行加权，以构建我们的深度网络结构。在无约束人脸匹配中对所开发的网络进行了评估，显示出学习各种质量的人脸图像所引起的复杂数据分布的能力。
2019-03-18 cs.CV
Cross-Age LFW: A Database for Studying Cross-Age Face Recognition in Unconstrained Environments
Beijing University of Posts and Telecommunications（北京邮电大学）
Labeled Faces in the Wild（LFW）数据库已被广泛用作无约束人脸验证的基准，并且由于大数据驱动的机器学习方法，在数据库上的性能接近100%。然而，我们认为，这种准确性可能过于乐观，因为一些限制因素。除了不同的姿态、光照、遮挡和表情，跨年龄人脸是人脸识别的另一个挑战。同一个人的不同年龄会导致类内差异很大，在真实世界的人脸验证中，老化过程是不可避免的。然而，LFW对此并没有太多关注，因此我们构建了一个跨年龄LFW（CALFW），该算法故意搜索并选择3，000个具有年龄差距的积极面孔对来添加衰老过程的类内方差。该方法还选择了同性别、同种族的阴性对，减少了阳性/阴性对属性差异的影响，实现了人脸验证而非属性分类。我们在新数据库上评估了几种度量学习和深度学习方法。与LFW相比，CALFW的精度下降了10%-17%。
2017-08-28 cs.CV cs.DB
Multi-Prototype Networks for Unconstrained Set-based Face Recognition
National University of Singapore（新加坡国立大学）；National University of Defense Technology（国防科技大学）；Tencent FiT DeepSea AI Lab（腾讯FiT深海人工智能实验室）；University of Electronic Science and Technology of China（电子科技大学）；Inception Institute of Artificial Intelligence（人工智能初创研究所）；Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所）；Qihoo 360 AI Institute（奇虎360人工智能研究院）
在本文中，我们研究了具有挑战性的无约束的基于集合的人脸识别问题，其中每个主题的脸是由一组媒体（图像和视频），而不是一个单一的图像实例化。单纯地聚集来自集合内的所有媒体的信息将遭受由异构因素（例如，变化的媒体形态、姿势和照明），并且不能学习区别性的面部表示。因此，提出了一种新的多原型网络（MPNet）模型，学习多个原型人脸表示自适应的媒体集。每个学习的原型是在一定条件下的姿态，照明和媒体模态方面的主体脸的代表。MPNet引入了一个密集子图（DSG）学习子网，而不是手工制作原型学习的集合分区，该子网隐式地解开不一致的媒体并学习许多代表性的原型。定性和定量的实验清楚地表明了所提出的模型的优越性，在国家的最先进的。
2019-03-23 cs.CV
Towards a Deep Learning Framework for Unconstrained Face Detection
Carnegie Mellon University（卡内基梅隆大学）
鲁棒的人脸检测是支持人脸表情分析、人脸地标、人脸识别、姿态估计、三维人脸模型构建等的最重要的预处理步骤之一。虽然这个主题已经被深入研究了几十年，但由于现实世界中人脸图像的众多变体，它仍然具有挑战性。本文提出了一种基于多尺度快速区域的卷积神经网络（MS-FRCNN）从在各种具有挑战性的条件下收集的图像中鲁棒地检测人类面部区域，所述条件例如大遮挡、极低分辨率、面部表情、强照明变化等。所提出的方法在两个具有挑战性的面部检测数据库上进行基准测试，即更宽的人脸数据库和人脸检测数据集和基准（FDDB），并与最近的其他人脸检测方法进行比较，例如两阶段CNN，多尺度级联CNN，Faceness，聚合通道特征，HeadHunter，多视图人脸检测，级联CNN，实验结果表明，我们提出的方法始终取得了高度竞争力的结果与国家的最先进的性能对其他最近的人脸检测方法。
2017-01-02 cs.CV
Local Directional Relation Pattern for Unconstrained and Robust Face Retrieval
Indian Institute of Information Technology（印度理工学院信息技术学院）
人脸识别仍然是一个非常苛刻的研究领域。这个问题变得更具挑战性，在不受约束的环境中，并在存在几个变化，如姿势，照明，表达等本地描述符被广泛用于这项任务。现有的局部描述符大多只考虑了少量的直接局部邻居，不能利用更广泛的局部信息来使描述符更具区分性。更广泛的基于局部信息的描述符主要由于增加的维度而受损。在本文中，这个问题是解决编码的方向邻居之间的关系，在一个有效的方式。中心像素和编码的方向邻居之间的关系被进一步利用，以形成建议的局部方向关系模式（LDRP）。描述符是固有的均匀照明不变。多尺度机制还适于进一步提高描述符的区分能力。在人脸数据库的图像检索框架下对所提出的描述符进行了评估。非常具有挑战性的数据库，如PaSC，LFW，PubFig，ESSEX，FERET，AT&T和FaceScrub用于测试LDRP描述符的区分能力和鲁棒性。最后，将该方法与LBP、LTP、LDP、LDN、LVP、DCP、LDGP和LGHP等人脸描述符进行了比较。非常有前途的性能观察到使用建议的描述符非常有吸引力的人脸数据库相比，现有的人脸描述符。所提出的LDRP描述符在大规模FaceScrub人脸数据集上的性能也优于预先训练的ImageNet CNN模型。此外，它在许多场景下也优于基于深度学习的DLib人脸描述符。
2019-07-03 cs.CV
CMS-RCNN: Contextual Multi-Scale Region-based CNN for Unconstrained Face Detection
Carnegie Mellon University（卡内基梅隆大学）
鲁棒的人脸检测是支持各种人脸相关问题的最终组成部分之一，即无约束人脸识别，面部眼周识别，面部标志和姿态估计，面部表情识别，3D人脸模型构建等。尽管人脸检测问题已经被深入研究了几十年，并有各种商业应用，但是由于许多挑战，例如严重的面部遮挡、极低的分辨率、强照明、异常的姿势变化、图像或视频压缩伪影等，它在一些现实世界场景中仍然遇到问题。在本文中，本文提出了一种基于上下文多尺度区域卷积神经网络（CMS-RCNN）的人脸检测方法来解决上述问题。与基于区域的CNN类似，我们提出的网络由区域建议组件和感兴趣区域（RoI）检测组件组成。然而，与该网络相距甚远，我们提出的网络中有两个主要贡献，它们在实现最先进的人脸检测性能方面发挥了重要作用。首先，在区域建议和ROI检测中对多尺度信息进行分组，以处理微小的人脸区域。其次，我们提出的网络允许显式的身体上下文推理的网络灵感来自人类视觉系统的直觉。所提出的方法是基准上最近两个具有挑战性的人脸检测数据库，即WIDER面部数据集，其中包含高度的变化，以及人脸检测数据集和基准（FDDB）。实验结果表明，我们提出的方法在WIDER FACE数据集上训练的性能大大优于WIDER FACE数据集上的强基线，并且与最近最先进的人脸检测方法相比，在FDDB上始终取得有竞争力的结果。
2016-06-17 cs.CV
Face Recognition in Unconstrained Conditions: A Systematic Review
Charles Darwin University（查尔斯达尔文大学）
人脸识别是一种生物识别技术，吸引了大量的研究，商业和政府的兴趣，因为它提供了一种谨慎的，非侵入性的方式来检测和识别个人，而不需要主体的知识或同意。这是由于降低了成本，以及硬件和算法的发展，这些硬件和算法提高了处理无约束条件的能力。显然需要负担得起的和有效的应用程序。然而，对于哪种方法最合适存在很大争议，特别是在基于深度神经网络的人脸识别系统日益重要的背景下。本系统综述试图通过组织该领域的大量研究和数据来澄清这两个问题，以澄清当前的研究趋势，最先进的方法，并概述其优点和缺点。总体而言，这项研究涵盖了1，330项相关研究，显示在过去6年中，人脸识别领域的研究兴趣增加了200%以上。我们的研究结果还表明，由于硬件数据库的改进和对神经网络理解的增加，深度学习方法是现代研究的主要焦点。相比之下，传统方法由于其固有的准确性限制以及在处理大量数据时缺乏效率而失去了研究人员的青睐。
2019-07-12 cs.CV
Uncertainty Modeling of Contextual-Connections between Tracklets for Unconstrained Video-based Face Recognition
University of Maryland, College Park（马里兰大学帕克分校）；Academia Sinica（中央研究院）；Waymo（Waymo公司）
无约束的基于视频的人脸识别是一个具有挑战性的问题，由于显着的视频内的变化所造成的姿态，遮挡和模糊。为了解决这个问题，一个有效的想法是通过上下文连接将身份从高质量的面孔传播到低质量的面孔，上下文连接是基于身体外观等上下文构建的。然而，以前的方法往往传播错误的信息，由于缺乏不确定性建模的嘈杂的上下文连接。在本文中，我们提出了不确定性门控图（UGG），它进行基于图形的身份传播之间的轨迹，这是由图中的节点表示。UGG通过在推理过程中根据节点的身份分布自适应地更新边门的权重来显式地建模上下文连接的不确定性。UGG是一个通用的图形模型，只能在推理时应用，也可以在端到端训练时应用。我们在最近发布的具有挑战性的电影演员搜索和IARPA Janus监控视频基准数据集中展示了UGG的有效性。
2019-08-21 cs.CV
A Multi-Face Challenging Dataset for Robust Face Recognition
Indian Institute of Information Technology, Sri City（斯里城印度信息技术学院）
图像中的人脸识别是计算机视觉研究者们的一个活跃的研究领域。然而，在不受约束的环境中识别人脸是一个相对较少探索的研究领域。由于人脸图像的视点、尺度、姿态、光照和表情等变化，无约束环境下的多人脸识别是一项具有挑战性的任务。人脸的部分遮挡使得识别任务更具挑战性。本文的贡献是双重的：引入了一个具有挑战性的多面数据集（即，IIITS MFace Dataset）用于无约束环境中的人脸识别，并评估最先进的手工设计和基于深度学习的人脸描述符在数据集上的性能。建议的IIITS MFace数据集包含具有挑战性的人脸，如姿势变化，遮挡，面具，眼镜，表情，照明变化等。我们使用几种最先进的人脸描述符进行实验，包括最近基于深度学习的人脸描述符，如VGGFace，并与现有的基准人脸数据集进行比较。实验结果清楚地表明，与基准数据集相比，所提出的数据集的难度要高得多。
2019-03-28 cs.CV
Cross-Quality LFW: A Database for Analyzing Cross-Resolution Image Face Recognition in Unconstrained Environments
Technical University（技术大学）
现实世界的人脸识别应用程序经常处理次优的图像质量或分辨率，由于不同的捕获条件，如各种主体到相机的距离，差的相机设置，或运动模糊。这一特点对业绩有着不可忽视的影响。最近的交叉分辨率人脸识别方法使用简单，任意和不切实际的缩小和放大技术来衡量图像质量对真实世界边缘情况的鲁棒性。因此，我们提出了一个新的标准化的基准数据集和评估协议，来自著名的标签在野外的脸（LFW）。与以前的衍生工具相比，这些衍生工具专注于姿势，年龄，相似性和对抗攻击，我们的跨质量标签人脸在野外（XQLFW）最大限度地提高了质量差异。它只在必要时包含更真实的合成退化图像。然后，我们提出的数据集用于进一步研究图像质量对几种最先进方法的影响。与XQLFW，我们表明，这些模型在交叉质量的情况下表现不同，因此，泛化能力是不准确的预测LFW的性能。此外，我们报告了最近针对交叉分辨率应用进行明确训练的深度学习模型的基线准确性，并评估了对图像质量的敏感性。为了鼓励跨分辨率人脸识别的进一步研究，并激发图像质量鲁棒性的评估，我们公布了数据库和代码的评估。
2022-11-25 cs.CV
K-FACE: A Large-Scale KIST Face Database in Consideration with Unconstrained Environments
Korea Institute of Science and Technology (KIST)（韩国科学技术院）；Yonsei University（延世大学）；KIST-School, University of Science and Technology（科学技术大学KIST学院）
K-FACE数据库通过考虑性别、年龄、姿态、光照和配件等多因素，提供了一个系统性且多样化的面部数据集，用于提升人脸识别等视觉任务的性能。
2025-11-24 cs.CV cs.DB
R-Theta Local Neighborhood Pattern for Unconstrained Facial Image Recognition and Retrieval
提出了一种基于R-Theta局部邻域模式的人脸图像检索方法。RTLNP利用在不同角度和径向宽度的参考像素的局部邻域中的像素之间的关系。所提出的编码方案将局部邻域划分为角宽度相等的扇区。这些扇区又被分成两个径向宽度的子扇区。对这两个分区的平均灰度值进行编码以生成微图案。所提出的描述符的性能进行了评估，并将结果与现有技术的描述符，例如LBP，LTP，CSLBP，CSLTP，Sobel-LBP，LTCoP，LMeP，LDP，LTrP，MBLBP，BRINT和SLBP进行了比较。最具挑战性的面部约束和无约束的数据库，即AT&T，CARIA-Face-V5-Cropped，LFW和Color FERET已被用于显示所提出的描述符的效率。建议的描述符也进行了测试，近红外（NIR）人脸数据库; CASIA NIR-VIS 2.0和PolyU-NIRFD，以探索其潜力与近红外人脸图像。RTLNP的检索率比现有的最先进的描述符显示了描述符的有效性
2022-01-03 cs.CV cs.MM
Can a biologically-plausible hierarchy effectively replace face detection, alignment, and recognition pipelines?
MIT（麻省理工学院）；McGovern Institute for Brain Research（麦戈文脑科学研究所）
在自然照片中进行无约束人脸识别的标准方法是通过检测、对齐和识别管道。虽然这种方法取得了令人印象深刻的结果，但有几个原因令人不满意，其中之一是缺乏生物相容性。最近的一个前馈分层网络（如HMAX，其他卷积网络，或可能的腹侧流）的不变识别理论意味着无约束人脸识别的另一种方法。这种方法通过存储训练图像的变换（称为模板）来隐式地完成检测和对齐，而不是在测试时显式地检测和对齐人脸。在这里，我们提出了一个特定的位置敏感的哈希为基础的投票计划，我们称之为“共识的冲突”，并表明它可以用来近似的理论所隐含的完整的3层层次结构。所得到的用于无约束人脸识别的端到端系统对在自然条件下拍摄的人脸照片进行操作，例如，标签的脸在野外（LFW），没有对齐或裁剪他们，因为通常这样做。它在端到端任务上实现了最先进的技术水平的大幅改进，达到了与在对齐的、紧密裁剪的图像（没有外部训练数据）上运行的最佳系统相同的性能水平。它在两个较新的数据集上也表现良好，类似于LFW，但更困难：LFW-jittered（新的）和SUFR-W。
2014-03-26 cs.CV
Automatic Face Image Quality Prediction
Michigan State University（密歇根州立大学）
人脸图像质量可以定义为人脸图像在自动人脸识别中的实用性的度量。在这项工作中，我们提出（并比较）两种方法的自动人脸图像质量的基础上，目标人脸质量值（i）人脸图像质量的人类评估（匹配器无关），和（ii）质量值计算相似性分数（匹配器依赖）。使用在使用深度卷积神经网络（ConvNet）提取的面部特征上训练的支持向量回归模型来预测面部图像的质量。两个无约束的人脸图像数据库，LFW和IJB-A，这两个包含多个质量因子的面部变化，所提出的方法进行了评估。对所提出的自动面部图像质量测量的评估表明，通过使用所提出的面部质量来选择面部图像和视频帧的子集以用于匹配模板（即，每个受试者多个面孔）。据我们所知，这是第一个工作，利用人类的面部图像质量的评估，在设计一个预测的无约束的面部质量，被证明是有效的跨数据库的评估。
2017-06-29 cs.CV
Recognizing Disguised Faces in the Wild
IIIT-Delhi（德里英迪拉·甘地信息技术学院）；IBM TJ Watson Research Center（IBM托马斯·J·沃森研究中心）；University of Maryland, College Park（马里兰大学帕克分校）
在过去的几十年里，人脸识别的研究取得了巨大的增长。从能够在约束环境中执行识别的算法开始，当前的人脸识别系统在大规模无约束人脸数据集上实现了非常高的准确率。虽然即将推出的算法继续实现改进的性能，但大多数人脸识别系统容易在伪装变化下失败，伪装变化是人脸识别最具挑战性的协变量之一。大多数现有的伪装数据集包含变化有限的图像，通常在受控设置中捕获。这并不模拟真实世界的场景，其中面部识别系统遇到有意和无意的无约束伪装。在本文中，一个新的伪装面孔在野生（DFW）数据集，其中包含超过11000个图像的1000个身份与不同类型的伪装配件。该数据集是从互联网上收集的，从而产生类似于现实世界设置的无约束人脸图像。这是第一个为每个主题提供模仿者和真实模糊面部图像的数据集。建议的数据集已经分析了三个难度级别：（i）容易，（ii）中等，（iii）困难，以展示问题的挑战性。我们认为，研究界可以从DFW数据集中极大地受益于开发对此类对手具有鲁棒性的算法。拟议的数据集是作为2018年CVPR首届国际研讨会和野外伪装面孔竞赛的一部分发布的。本文详细介绍了DFW数据集，包括评估协议，基线结果，作为竞争的一部分收到的提交的性能分析，以及DFW挑战数据集的三个难度级别。
2018-11-21 cs.CV
Backdoor Attacks on Deep Learning Face Detection
Thales Cyber \& Digital, Inria/Univ. de Rennes La Ciotat \& Rennes, France；Inria/CNRS/IRISA/Univ. de Rennes Rennes, France
本文研究无约束环境下人脸检测的安全问题，提出Face Generation Attacks并首次演示可对坐标回归任务植后门的Landmark Shift Attack，同时给出漏洞缓解方案。
2025-08-01 cs.AI cs.CR cs.CV
Low-Resolution Face Recognition
Queen Mary University of London（伦敦玛丽女王大学）；Vision Semantics Ltd.（Vision Semantics有限公司）
虽然最近的人脸识别（FR）技术在识别受约束的高分辨率网络图像方面取得了重大进展，但在大规模的原生无约束低分辨率图像上却不能这么说。在这项工作中，我们系统地研究了这个研究不足的FR问题，并介绍了一种新的互补超分辨率和身份（CSRI）联合深度学习方法与统一的端到端网络架构。我们进一步构建了一个新的大规模数据集TinyFace的本地无约束的低分辨率人脸图像从选定的公共数据集，因为没有这种性质的基准存在于文献中。通过大量的实验，我们发现在流行的基准测试中报告的FR性能与TinyFace上的结果之间存在显着差距，以及所提出的CSRI在解决这种基本上被忽视的FR场景方面优于各种最先进的FR和超分辨率深度模型的优势。TinyFace数据集在https://qmul-tinyface.github.io/上公开发布。
2019-04-12 cs.CV
Cascaded Asymmetric Local Pattern: A Novel Descriptor for Unconstrained Facial Image Recognition and Retrieval
Indian Institute of Information Technology, Lucknow（印度信息技术学院，勒克瑙）；Indian Institute of Information Technology, Allahabad（印度信息技术学院，安拉阿巴德）
特征描述是专家系统和机器学习研究的热点之一。图像的有效编码是精确匹配的基本要求。这些编码方案在识别和检索系统中起着重要的作用。人脸识别系统应该足够有效，以准确地识别系统的内在和外在变化下的个人。这些系统中使用的模板或描述符对图像的局部邻域中的像素的空间关系进行编码。使用这些手工制作的描述符编码的特征应该对诸如照明、背景、姿势和表情等变化具有鲁棒性。本文提出了一种新的手工构建的级联非对称局部模式（CALP）用于人脸图像的检索和识别。所提出的描述符唯一地编码在水平和垂直方向上的相邻像素之间的关系。所提出的编码方案具有最佳的特征长度，并在人脸图像的环境和生理变化下显示出显着的精度提高。最先进的手工制作的描述符，即; LBP，LDGP，CSLBP，SLBP和CSLTP与最具挑战性的数据集上的拟议描述符进行比较，即; Caltech-face，LFW和CASIA-face-v5。结果分析表明，该描述子在表情、背景、姿态和光照变化不受控制的情况下，性能优于现有描述子。
2022-01-03 cs.CV cs.MM
Cluster and Aggregate: Face Recognition with Large Probe Set
Michigan State University（密歇根州立大学）
特征融合在无约束人脸识别中起着至关重要的作用，其中输入（探针）包括一组$N$低质量图像，其个体质量不同。注意力和循环模块的进步导致了特征融合，可以对输入集中图像之间的关系进行建模。然而，注意力机制不能扩展到大的$N$，由于它们的二次复杂性和经常性的模块遭受输入顺序敏感性。我们提出了一个两阶段的特征融合范例，聚类和聚合，既可以扩展到大$N$，并保持顺序不变性进行顺序推理的能力。具体而言，聚类阶段是将$N$输入线性分配给$M$全局聚类中心，聚合阶段是对$M$聚类特征的融合。当输入是连续的时，聚类特征起着不可或缺的作用，因为它们可以作为过去特征的总结。通过利用增量平均操作的顺序不变性，设计了一种实现批量顺序不变性的更新规则，保证了序列中早期图像的贡献不会随着时间步长的增加而减少。在IJB-B和IJB-S基准数据集上的实验表明了该方法在无约束人脸识别中的优越性。代码和预训练模型可在https://github.com/mk-minchul/caface上获得
2023-02-16 cs.AI cs.CV
Facial Landmark Machines: A Backbone-Branches Architecture with Progressive Representation Learning
Sun Yat-sen University（中山大学）；The University of Hong Kong（香港大学）
人脸标志点定位在人脸识别和分析中起着至关重要的作用。在本文中，我们提出了一种新的级联骨干分支完全卷积神经网络~（BB-FCN）的快速，准确地定位在无约束和混乱的设置面部标志。我们提出的BB-FCN直接从原始图像生成面部标志响应图，无需任何预处理。BB-FCN遵循从粗到细的级联管道，该管道由用于粗略检测所有面部地标的位置的骨干网络和用于进一步细化其位置的每种类型的检测到的地标的分支网络组成。此外，为了方便在无约束设置下的面部标志定位，我们提出了一个大规模的基准命名为SYSU 16 K，其中包含16000张面孔的姿态，表情，照明和分辨率的变化很大。广泛的实验评估表明，我们提出的BB-FCN可以显着优于国家的最先进的约束下（即，仅在检测到的面部区域内）和不受约束的设置。我们进一步证实，我们提出的网络定位的高质量面部标志也可以提高面部检测的精度和召回率。
2018-12-10 cs.CV
GridFace: Face Rectification via Learning Local Homography Transformations
Face++, Megvii Inc.（旷视科技Face++）
在本文中，我们提出了一种方法，称为GridFace，以减少面部几何变化，提高识别性能。我们的方法纠正的脸局部单应性变换，估计的脸整流网络。为了鼓励使用规范视图生成图像，我们应用基于自然人脸分布的正则化。我们以端到端的方式学习矫正网络和识别网络。大量的实验表明，我们的方法大大减少了几何变化，并获得显着改善无约束的人脸识别场景。
2018-08-19 cs.CV
Face Search at Scale: 80 Million Gallery
由于社交媒体网站的流行，计算机视觉研究人员面临的一个挑战是设计方法来处理和搜索这些网站上数十亿张共享照片中的感兴趣的人。Facebook在2013年的一份白皮书中透露，其用户已经上传了超过2500亿张照片，每天上传3.5亿张新照片。由于数据量巨大，大规模的人脸搜索挖掘网络图像既重要又具有挑战性。尽管在人脸识别方面取得了重大进展，但搜索大量无约束人脸图像的问题尚未得到充分解决。为了解决这一挑战，我们提出了一个人脸搜索系统，它结合了快速搜索过程，再加上一个国家的最先进的商业现货（COTS）匹配，在级联框架。给定一个探针脸，我们首先过滤大图库的照片，使用从卷积神经网络生成的深度特征找到前k个最相似的脸。通过组合来自深度特征和COTS匹配器的相似性来对k个候选者重新排序。我们评估建议的人脸搜索系统上的画廊包含80万网络下载的人脸图像。实验结果表明，在无约束人脸识别基准测试（LFW和IJB-A）上，深度特征与最先进的方法具有竞争力。此外，所提出的人脸搜索系统在由数百万张图像组成的数据集上提供了准确性和可扩展性之间的良好权衡。此外，在涉及搜索波士顿马拉松爆炸案的Tsarnaev兄弟的面部图像的实验中，所提出的面部搜索系统可以在5 M画廊中在1秒内找到弟弟（Dzhokhar Tsarnaev）的照片，在80 M画廊中在7秒内排名第8。
2015-07-28 cs.CV
FaceOcc: A Diverse, High-quality Face Occlusion Dataset for Human Face Extraction
École Centrale de Lyon（里昂中央理工学院）
遮挡经常发生在野外的人脸图像中，困扰着与人脸相关的任务，如地标检测，3D重建和人脸识别。这有利于从无约束的人脸图像中准确地提取人脸区域。然而，目前的人脸分割数据集的数据量小，遮挡类型少，分辨率低，不精确的注释，限制了基于数据驱动的算法的性能。本文提出了一种新的人脸遮挡数据集与手动标记的人脸遮挡从CelebA-HQ和互联网。遮挡类型包括太阳镜，眼镜，手，面具，围巾，麦克风等，据我们所知，它是迄今为止最大和最全面的人脸遮挡数据集。将其与CelebAMask-HQ中的属性掩码相结合，我们训练了一个简单的人脸分割模型，但获得了SOTA性能，令人信服地证明了所提出的数据集的有效性。
2022-01-20 cs.CV
Facial Soft Biometrics for Recognition in the Wild: Recent Works, Annotation, and COTS Evaluation
Nokia Bell-Labs（诺基亚贝尔实验室）；Escuela Politecnica Superior, Universidad Autonoma de Madrid（马德里自治大学高等理工学院）
软生物特征识别在无约束场景中增强个人识别系统的作用尚未得到广泛研究。在这里，我们探讨了以下模式的效用：性别，种族，年龄，眼镜，胡子和胡子。我们考虑两个假设：1）人工估计的软生物特征和2）自动估计从两个商业现成的系统（COTS）。所有的实验报告使用野生（LFW）数据库中的标记的面孔。首先，我们研究了独立的软生物特征识别能力。然后，进行实验融合软生物特征识别与两个国家的最先进的人脸识别系统的基础上深度学习。我们观察到，软生物特征是一个有价值的补充，在不受约束的情况下，人脸模态，相对提高40%/15%的验证性能时，使用手动/自动软生物特征估计。结果是可重复的，因为我们公开了我们的手动注释和COTS输出的软生物识别LFW，以及面部识别分数。
2022-10-24 cs.CV
A Good Practice Towards Top Performance of Face Recognition: Transferred Deep Feature Fusion
Panasonic R&D Center Singapore（松下新加坡研发中心）；National University of Singapore（新加坡国立大学）
在过去的几年里，无约束人脸识别性能评估传统上集中在用于图像的Labeled Faces in the Wild（LFW）数据集和用于视频的YouTubeFaces（YTF）数据集。这一领域的惊人进展导致这些基准数据集的验证和识别精度饱和。在本文中，我们提出了一个统一的学习框架，称为转移深度特征融合（TDFF），针对NIST人脸挑战发布的新IARPA Janus Benchmark A（IJB-A）人脸识别数据集。IJB-A数据集包括来自500个具有完整姿势和照明变化的受试者的真实世界无约束面部，这比LFW和YTF数据集要难得多。受迁移学习的启发，我们分别在源域中使用两个不同的大数据集来训练两个高级深度卷积神经网络（DCNN）。通过探索两个不同DCNN的互补性，在目标域中的特征提取之后利用深度特征融合。然后，模板特定的线性支持向量机，以提高框架的歧视。最后，将不同模板对应的多个匹配得分合并为最终结果。这个简单的统一框架在IJB-A数据集上表现出出色的性能。基于所提出的方法，我们已经将我们的IJB-A结果提交给美国国家标准与技术研究院（NIST）进行正式评估。此外，通过引入新的数据和先进的神经架构，我们的方法在IJB-A数据集上的表现远远优于最先进的方法。
2018-02-09 cs.CV
Improved Eigenfeature Regularization for Face Identification
Institute for Infocomm Research, A*STAR（新加坡科技研究局资讯通信研究院）
在这项工作中，我们建议使用空间划分树将每个类（一个人）划分为子类，这有助于更好地捕捉同一个人的外观所产生的个人内部差异。本文对人脸图像的类内和子类内特征谱进行了全面的分析，提出了一种新的特征谱建模方法，该方法从子类内和子类间散布矩阵中提取人脸的鉴别特征。在整个特征空间中进行鉴别评价后，提取有效的低维人脸鉴别特征用于人脸识别。在流行的人脸数据库（AR，FERET）和具有挑战性的无约束YouTube人脸数据库上的实验结果表明，我们提出的方法在所有三个数据库上的优越性。
2016-02-10 cs.CV
SSDL: Self-Supervised Domain Learning for Improved Face Recognition
Queen Mary University of London（伦敦玛丽女王大学）
在无约束的环境中的人脸识别是具有挑战性的，由于在照明，传感器的质量，运动模糊等的变化，一个人的脸的外观可以在不同的条件下产生巨大的差距训练（源）和变化的测试（目标）数据。领域差距可能会导致从源到目标的直接知识转移的绩效水平下降。尽管对特定于领域的数据进行微调可能是一种有效的解决方案，但收集和注释所有领域的数据是非常昂贵的。为此，我们提出了一种自监督域学习（SSDL）方案，该方案训练从未标记数据中挖掘的三元组。有效判别学习的一个关键因素是选择信息三元组。在最有信心的预测基础上，我们遵循交替三重挖掘和自我学习的"从易到难"方案。在四个不同的基准测试上的综合实验表明，SSDL在不同的领域都有很好的推广性。
2020-11-26 cs.CV cs.LG
A Comprehensive Study on Occlusion Invariant Face Recognition under Face Mask Occlusion
University of Westminster（威斯敏斯特大学）；Informatics Institute of Technology（信息学技术学院）
口罩是日常生活中必不可少的卫生用品，在疫情期间不断增长，对目前的人脸识别系统构成了巨大威胁。面具破坏了面部大面积的许多细节，即使是人类也很难识别它们。评估报告显示了识别蒙面面孔时的困难。近年来，深度学习的快速发展和突破见证了人脸识别算法最有希望的结果。但是，在不受约束的环境中，在诸如变化的照明条件、低分辨率、面部表情、姿势变化和遮挡等挑战期间，它们的表现远远不能令人满意。面部咬合被认为是最棘手的问题之一。特别是当遮挡占据面部的大区域时，因为它破坏了许多官方特征。
2022-01-22 cs.CV
DaliID: Distortion-Adaptive Learned Invariance for Identification Models
University of Colorado, Colorado Springs（科罗拉多大学科罗拉多斯普林斯分校）；Universidade Estadual de Campinas（坎皮纳斯州立大学）
在不受约束的场景中，人脸识别和人员重新识别会受到诸如运动模糊、大气湍流或上采样伪影等失真的影响。为了提高在这些情况下的鲁棒性，我们提出了一种称为失真自适应学习不变性识别（DaliID）模型的方法。我们认为，失真增强，降低图像质量，可以成功地利用到更大的程度比文献中所示。借助于自适应加权计划，在训练过程中，在严重的水平上应用一种新的失真增强。这种训练策略增加了特征级对失真的不变性，并减少了向无约束场景的域转移。在推理时，我们使用来自并行模型的特征的幅度加权融合来保持图像范围内的鲁棒性。DaliID模型在包括IJB-S、TinyFace、DeepChange和MSMT 17在内的七个基准数据集上实现了最先进的人脸识别和人员重新识别（SOTA）。此外，我们还提供了在750米以上距离处重新捕获的评估数据，并在真实的长距离人脸图像上进行了进一步验证。
2023-02-11 cs.CV
Attention-based Partial Face Recognition
Technical University of Munich（慕尼黑工业大学）
在不受约束的环境中捕获的人脸照片，例如大量人群，仍然构成了当前人脸识别方法的挑战，因为人脸经常被前景中的物体或人遮挡。然而，很少有研究已经解决了识别部分面孔的任务。在本文中，我们提出了一种新的方法来部分人脸识别能够识别人脸与不同的遮挡区域。我们通过将ResNet的中间特征图的注意力池与单独的聚合模块相结合来实现这一点。我们进一步调整常见的损失，以部分脸，以确保注意力地图是多样化的，并处理被遮挡的部分。我们的全面分析表明，我们在多个基准协议下的表现优于所有基线，包括自然和合成遮挡的部分人脸。这表明我们的方法成功地集中在被遮挡的面部的相关部分。
2021-06-14 cs.CV
Wildest Faces: Face Detection and Recognition in Violent Settings
Hacettepe University（哈斯特帕大学）；Middle East Technical University（中东技术大学）
随着大规模数据集和能够学习复杂表示的深度学习模型的引入，人脸检测和识别任务取得了令人印象深刻的进展。尽管取得了这些进展，但现有的数据集并没有捕捉到在最疯狂的场景中人脸识别的困难，例如敌对纠纷或打架。此外，现有的数据集并不代表完全不受约束的情况下，低分辨率，高模糊和大姿态/遮挡变化。为此，我们引入了Wildest Faces数据集，该数据集专注于暴力场景的不利影响。该数据集由电影中名人的大量暴力场景组成。我们的实验结果表明，最先进的技术并不适合暴力场景，因此，《狂野面孔》可能会激起人们对人脸检测和识别研究的进一步兴趣。
2018-05-19 cs.CV
ClusterFace: Joint Clustering and Classification for Set-Based Face Recognition
Queen Mary University of London（伦敦玛丽女王大学）
深度学习技术已经能够在高质量图像可用的情况下成功地对复杂的面部特征进行建模。尽管如此，在真实世界场景中“野外”或恶劣条件下的人脸的准确建模和识别仍然是一个悬而未决的问题。当不受约束的面被映射到深度特征时，诸如照明、姿势、遮挡等的变化，可能会在结果特征空间中产生不一致。因此，基于直接关联得出结论可能导致性能下降。这就要求在人脸识别之前进行基本的特征空间分析。本文设计了一种联合聚类和分类方案，以简单到困难的方式学习深层人脸关联。我们的方法是基于层次聚类的早期迭代往往保持高可靠性。我们的方法的基本原理是，一个可靠的聚类结果可以提供对特征空间分布的见解，这可以指导随后的分类。三个任务，人脸验证，人脸识别和排名顺序搜索的实验评价，表现出更好的或有竞争力的性能相比，国家的最先进的，在所有三个实验。
2020-11-26 cs.CV cs.LG
Towards Large-scale Masked Face Recognition
The Chinese University of Hong Kong（香港中文大学）；SenseTime Group Limited（商汤集团有限公司）
本文针对COVID-19期间戴口罩对人脸识别的挑战，提出在ICCV MFR和InsightFace赛道的冠军方案，解决超大规模训练、数据噪声、精度平衡及推理友好架构四大难题。
2023-10-25 cs.CV
Unconstrained Face Sketch Synthesis via Perception-Adaptive Network and A New Benchmark
South China University of Technology（华南理工大学）；Hong Kong Polytechnic University（香港理工大学）；Sun Yat-Sen University（中山大学）
人脸草图生成是视觉计算领域的一个研究热点。然而，现有的方法要么是有限的约束条件或严重依赖于各种预处理步骤来处理在野生情况下。在本文中，我们认为，准确地感知面部区域和面部组件是无约束草图合成的关键。为此，我们提出了一种新的感知自适应网络（PANet），它可以生成高质量的人脸草图在不受约束的条件下，在一个端到端的计划。具体来说，我们的PANet由i）用于分层特征提取的全卷积编码器，ii）用于提取潜在面部区域和处理面部变化的面部自适应感知解码器，以及iii）用于面部组件感知特征的组件自适应感知模块组成表示学习。为了便于进一步研究无约束的人脸素描合成，我们引入了一个新的基准称为WildSketch，其中包含800对人脸照片素描与姿势，表情，种族，背景和照明的变化很大。大量的实验表明，该方法是能够实现国家的最先进的性能在约束和无约束条件下。我们的源代码和WildSketch基准测试在项目页面http://lingboliu.com/unconstrained_face_sketch.html上重新密封。
2021-12-02 cs.CV cs.LG
Face Image Quality Enhancement Study for Face Recognition
West Virginia University（西弗吉尼亚大学）
针对低质量人脸照片识别研究不足的问题，本文构建大型低质量人脸数据库，提出无偏实验协议，并评估图像增强方法对识别准确率的影响。
2023-07-08 cs.CV
Deep Convolutional Neural Network for Age Estimation based on VGG-Face Model
University of Bridgeport（桥港大学）
从真实世界和无约束的人脸图像中自动估计年龄正迅速变得重要。在我们提出的工作中，一个深度的CNN模型，在一个数据库上训练的人脸识别任务是用来估计Adience数据库上的年龄信息。本文在这一领域有三个重要贡献。(1)本文的工作证明了一个经过人脸识别训练的CNN模型可以用于年龄估计以提高性能：（2）在人脸识别任务中使用一个经过预训练的CNN模型可以克服过拟合问题;（3）不仅训练图像的数量和训练数据库中的对象的数量影响年龄估计模型的性能，而且所采用的CNN的预训练任务决定了模型的性能。
2017-09-06 cs.CV
Ensemble Learning using Transformers and Convolutional Networks for Masked Face Recognition
King Fahd University of Petroleum and Minerals（法赫德国王石油与矿产大学）；SDAIA-KFUPM Joint Research Center for Artificial Intelligence（沙特数据与人工智能局-法赫德国王石油与矿产大学人工智能联合研究中心）
戴口罩是我们为减少冠状病毒传播而不得不遵循的调整之一。我们的脸经常被面具覆盖，这就需要了解和研究这种行为如何影响人脸识别系统的识别能力。当前的人脸识别系统在处理无约束的一般人脸识别情况时具有非常高的准确率，但在处理被遮挡的蒙面人脸时不能很好地推广。在这项工作中，我们提出了一个蒙面人脸识别系统。所提出的系统包括两个卷积神经网络（CNN）模型和两个Transformer模型。CNN模型已经在FaceNet预训练模型上进行了微调。我们使用多数投票技术集成了四个模型的预测，以识别戴面具的人。建议的系统进行了评估，在这项工作中创建的综合屏蔽LFW数据集。使用集成模型获得最佳精度，精度为92%。该识别率优于其他模型的准确性，这表明该模型用于识别蒙面人脸的正确性和鲁棒性。代码和数据可在https://github.com/Hamzah-Luqman/MFR上获得
2022-10-10 cs.CV cs.LG
Probabilistic Face Embeddings
Michigan State University（密歇根州立大学）
嵌入方法通过在潜在语义空间中比较人脸特征，在人脸识别中取得了成功。然而，在完全不受约束的人脸设置中，嵌入模型学习的面部特征可能是模糊的，甚至可能不存在于输入人脸中，从而导致噪声表示。我们提出了概率人脸嵌入（PFEs），它表示每个人脸图像作为一个高斯分布在潜在的空间。分布的均值估计最可能的特征值，而方差显示特征值的不确定性。然后可以自然地导出概率解，用于使用不确定性信息来匹配和融合PFE。在不同基线模型、训练数据集和基准测试上的实验结果表明，该方法可以将确定性嵌入转换为PFE，从而提高人脸识别性能。PFE估计的不确定性也可以作为潜在匹配精度的良好指标，这对于风险控制的识别系统是重要的。
2019-08-07 cs.CV
Face Morphing: Fooling a Face Recognition System Is Simple!
Technical University of Munich（慕尼黑工业大学）
最先进的人脸识别（FR）方法在预测两张脸是否属于同一身份方面表现出了显着的效果，根据协议的难度，准确率在92%到100%之间。然而，当暴露于变形的面部时，准确性大幅下降，特别是生成的看起来类似于两个身份。为了生成变形人脸，我们将一个简单的预训练FR模型集成到生成对抗网络（GAN）中，并修改了几个用于人脸变形的损失函数。与以往的研究相比，我们的方法和分析不仅限于具有相同种族和性别的正面面孔对。我们的定性和定量结果证实，我们的方法实现了无缝的变化，即使在不受约束的情况下，两个面孔。尽管使用功能从一个更简单的FR模型的脸变形，我们表明，即使是最近的FR系统的斗争，以区分变形的脸从两个身份获得的准确性只有55- 70%。此外，我们提供了进一步的见解，了解FR系统如何使其特别容易受到面部变形攻击。
2022-05-27 cs.CV
Federated Learning for Face Recognition with Gradient Correction
Beijing University of Posts and Telecommunications（北京邮电大学）
随着人们对人脸识别中隐私问题的日益关注，联邦学习已成为研究具有私有分散数据的无约束人脸识别问题的最流行方法之一。然而，传统的分布式联邦算法在人脸识别场景中共享整个网络的参数，存在隐私泄露的问题。在这项工作中，我们引入了一个框架，FedGC，以解决人脸识别的联邦学习，并保证更高的隐私。我们从反向传播的角度探索了一种校正梯度的新思想，并提出了一种基于softmax的正则化器，通过精确注入跨客户端梯度项来校正类嵌入的梯度。从理论上讲，我们表明，FedGC构成了一个有效的损失函数类似于标准的softmax。已经进行了大量的实验来验证FedGC的优越性，它可以匹配传统的集中式方法的性能，利用完整的训练数据集在几个流行的基准数据集。
2021-12-14 cs.CV
Automatic Face Recognition from Video
Trinity College（三一学院）
这项工作的目的是自动识别人脸的视频序列中的一个现实的，无约束的设置，其中照明条件是极端的，大大改变，视点和用户的运动模式有很大的变化，视频输入是低质量的。在焦点的中心是人脸外观流形：这篇论文提出了一个显着的进步，他们的理解和应用领域的人脸识别。两个主要贡献是通用形状照明流形识别算法和各向异性流形空间聚类。通用形状照明流形上获得的真实世界条件下的大型数据语料库进行评估，其性能大大超过了国家的最先进的方法在文献中，最好的商业软件。经验评估的各向异性流形空间聚类的一个流行的情景喜剧也描述了良好的初步结果。
2015-04-21 cs.CV
Multi-Subregion Based Correlation Filter Bank for Robust Face Recognition
Xiamen University（厦门大学）；The University of Adelaide（阿德莱德大学）
在本文中，我们提出了一种有效的特征提取算法，称为基于多子区域的相关滤波器组（MS-CFB），用于鲁棒的人脸识别。MS-CFB结合了基于全局和基于局部的特征提取算法的优点，其中对应于不同面部子区域的多个相关滤波器被联合设计以优化总体相关输出。此外，通过在空域设计相关滤波器组，降低了MS-CFB的计算复杂度，并在滤波器组设计过程中利用无约束形式，提高了其泛化能力。MS-CFB算法不仅考虑了人脸子区域间的差异性，而且有效地利用了人脸子区域的判别信息。在多个公开人脸数据库上的实验结果表明，该算法具有更好的分类特征表示能力，与现有算法相比，识别率更高。
2016-03-24 cs.CV
Face Identification and Clustering
Rutgers, The State University of New Jersey（罗格斯大学（新泽西州立大学））
在这篇论文中，我们研究了两个基于聚类算法的问题。在第一个问题中，我们研究的视觉属性的作用，使用凝聚聚类算法削减搜索区域的类的数量是高的，以提高聚类的性能。我们观察到，随着我们添加更多的属性，聚类性能总体上会提高。在第二个问题中，我们研究了聚类在1：N开集协议中聚合模板的作用，使用多镜头视频作为探针。我们观察到，通过增加集群的数量，性能相对于基线增加，并达到峰值，之后增加集群的数量会导致性能下降。使用最近推出的无约束IARPA Janus IJB-A，CS2和CS3人脸识别数据集进行实验。
2017-04-26 cs.CV
xEdgeFace: Efficient Cross-Spectral Face Recognition for Edge Devices
Idiap Research Institute（IDiap研究 institute）
本文提出一种轻量级混合CNN-Transformer的异构人脸识别框架xEdgeFace，在极少成对异构数据下端到端训练，兼顾标准RGB人脸识别性能，在多个基准上以低计算开销超越现有方法。
2025-04-28 cs.CV
Unconstrained Face Verification using Deep CNN Features
University of Maryland, College Park（马里兰大学帕克分校）；Rutgers, The State University of New Jersey（罗格斯大学新泽西州立大学）
在本文中，我们提出了一种基于深度卷积特征的无约束人脸验证算法，并在新发布的IARPA Janus Benchmark A（IJB-A）数据集上对其进行了评估。IJB-A数据集包括来自500个主题的真实世界无约束人脸，具有完整的姿势和照明变化，这比传统的野生标签人脸（LFW）和Youtube人脸（YTF）数据集要难得多。使用CASIA-WebFace数据集训练深度卷积神经网络（DCNN）。在IJB-A数据集上进行了大量的实验。
2016-03-02 cs.CV
Data Uncertainty Learning in Face Recognition
Megvii Inc.（旷视科技有限公司）；University of Science and Technology of China（中国科学技术大学）
建模数据的不确定性是很重要的噪声图像，但很少探索人脸识别。PFE的先驱工作，通过将每个人脸图像嵌入建模为高斯分布来考虑不确定性。这是相当有效的。但是，它使用来自现有模型的固定特征（高斯平均值）。它只估计方差，并依赖于一个临时的和昂贵的指标。因此，它不容易使用。目前还不清楚不确定性如何影响特征学习。这项工作将数据不确定性学习应用于人脸识别，首次同时学习特征（均值）和不确定性（方差）。提出了两种学习方法。它们易于使用，并且在具有挑战性的无约束场景中优于现有的确定性方法以及PFE。我们还提供了有见地的分析如何纳入不确定性估计有助于减少噪声样本的不利影响，影响特征学习。
2020-03-25 cs.CV
