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
MobiFace: A Lightweight Deep Learning Face Recognition on Mobile Devices
Concordia University（康考迪亚大学）；University of Arkansas（阿肯色大学）；Carnegie Mellon University（卡内基梅隆大学）
深度神经网络已广泛用于众多计算机视觉应用中，特别是在人脸识别中。然而，在移动设备上部署深度神经网络人脸识别最近已经成为一种趋势，但仍然有限，因为大多数高精度深度模型在推理阶段都是时间和GPU消耗。因此，开发轻量级深度神经网络是在移动设备上部署人脸识别的最实用的解决方案之一。这种轻量级深度神经网络需要具有少量权重表示和低成本算子的高效存储器。在本文中，一种新的深度神经网络命名为人脸识别，一个简单但有效的方法，提出了在移动设备上有效地部署人脸识别。实验结果表明，我们的轻量级人脸识别算法在LFW数据库上的识别率达到99.73%，在大规模的Megaface数据库上的识别率达到91.3%。它最终也可以与大规模深度网络人脸识别竞争，同时显著减少计算时间和内存消耗。
2019-04-17 cs.CV
Rethinking Common Assumptions to Mitigate Racial Bias in Face Recognition Datasets
University of Maryland（马里兰大学）；University of Chicago（芝加哥大学）
许多现有的工作已经在减少人脸识别中的种族偏见方面取得了很大进展。然而，这些方法中的大多数都试图纠正训练过程中模型中出现的偏差，而不是直接解决偏差的主要来源，即数据集本身。对此，BUPT-Balancedface/RFW和Fairface都有，但这些工作假设主要在单一种族上进行训练或不对数据集进行种族平衡，这本身就是不利的。我们证明，这些假设不一定是有效的。在我们的实验中，只对非洲面孔进行训练比对均衡分布的面孔进行训练引起的偏见更少，而倾斜的分布包括更多的非洲面孔，产生了更公平的模型。我们还注意到，在数据集中添加更多现有身份的图像，而不是添加新身份，可以提高种族类别的准确性。我们的代码可在www.example.com上获得。
2021-10-05 cs.CV
Concealing the identity of faces in oblique images with adaptive hopping Gaussian mixtures
Alpen-Adria-Universität Klagenfurt（克拉根福阿尔卑斯-亚德里亚大学）；Queen Mary University of London（伦敦玛丽女王大学）
安装在微型飞行器（MAV）上的相机越来越多地用于娱乐摄影。然而，公共场所的航拍照片通常包含旁观者的面孔，从而导致感知或实际侵犯隐私。为了解决这个问题，我们建议伪随机地修改图像中的面部区域的外观，使用隐私过滤器，防止人类或面部识别器推断人的身份。该滤波器仅在分辨率足够高以使面部可识别时应用，自适应地使面部外观作为其分辨率的函数而失真。此外，建议的过滤器局部改变其参数，以阻止使用参数估计的攻击。该滤波器利用全局自适应性来减少失真和局部跳变的参数，使他们的估计难以为攻击者。为了评估所提出的方法的效率，我们使用一个国家的最先进的人脸识别算法和合成生成的人脸数据与3D几何图像变换，模仿面部捕获的MAV在不同的高度和俯仰角。实验结果表明，该过滤器保护隐私，同时减少失真，并表现出对攻击的弹性。
2018-10-29 cs.CV
MixFairFace: Towards Ultimate Fairness via MixFair Adapter in Face Recognition
Microsoft AI R&D Center, Taiwan（台湾微软人工智能研发中心）；National Tsing Hua University（国立清华大学）
虽然人脸识别技术已经取得了很大的进展，但人脸识别系统中仍然存在着人口统计偏差。例如，通常情况下，某个人口统计群体的人脸识别性能低于其他群体。在本文中，我们提出了MixFairFace框架，以提高人脸识别模型的公平性。首先，我们认为，常用的基于属性的公平性度量是不合适的人脸识别。人脸识别系统只有在每个人都有接近的表现时才能被认为是公平的。因此，我们提出了一个新的评估协议，公平地评估不同方法的公平性。不同于以往的方法，需要敏感的属性标签，如种族和性别，以减少人口统计偏见，我们的目标是解决身份偏见的面孔表示，即，不同身份之间的性能不一致性，而不需要敏感的属性标签。为此，我们提出了MixFair适配器来确定和减少训练样本的身份偏差。我们广泛的实验表明，我们的MixFairFace方法在所有基准数据集上都达到了最先进的公平性能。
2022-11-28 cs.CV
Improving Face Recognition with Large Age Gaps by Learning to Distinguish Children
KAIST AI（韩国科学技术院人工智能研究院）；Korea University（高丽大学）
尽管人脸识别技术得到了前所未有的发展，但现有的人脸识别模型在识别儿童和成人图像是否属于同一个身份时，仍然表现出相当低的性能。以前的方法主要集中在增加儿童和成人图像之间的相似性，一个给定的身份，以克服由于年龄增长的面部外观的差异。然而，我们观察到，降低不同身份的儿童图像之间的相似性对于学习儿童之间的不同特征至关重要，从而提高儿童-成人对的人脸识别性能。基于这种直觉，我们提出了一种新的损失函数称为原型间损失，最大限度地减少子图像之间的相似性。与以前的研究不同，原型间损失不需要额外的子图像或训练额外的可学习参数。我们广泛的实验和深入的分析表明，我们的方法优于现有的基线在人脸识别与儿童成人对。我们的代码和新构建的儿童-成人配对测试集可在www.example.com上获得。
2021-10-22 cs.CV
Goldilocks Test Sets for Face Verification
University of Notre Dame（Notre Dame 大学）；Indiana University South Bend（印第安纳大学南本德分校）；University of North Carolina Wilmington（北卡罗来纳大学 Wilmington 分校）；Florida Institute of Technology（佛罗里达理工学院）
本文提出三个具有挑战性的面部验证测试集，旨在揭示现有算法的弱点，通过不同面部属性变化和相似外观身份的挑战提升模型性能。
2026-03-08 cs.CV
Privacy-Preserving Face Recognition Using Random Frequency Components
Fudan University（复旦大学）；Tencent Youtu Lab（腾讯优图实验室）
针对人脸识别的隐私泄露问题，提出基于随机频率分量的PartialFace方法，通过剪去人类可感知低频分量隐藏视觉信息，在随机频率分量上训练推理模型平衡隐私保护与识别准确率。
2023-08-21 cs.CV
PASS: Protected Attribute Suppression System for Mitigating Bias in Face Recognition
Johns Hopkins University（约翰斯·霍普金斯大学）；University of Maryland, College Park（马里兰大学学院公园分校）
人脸识别网络在接受身份分类训练的同时，对敏感属性的信息进行编码。这种编码有两个主要问题：（a）它使面部表征容易受到隐私泄露的影响（b）它似乎有助于面部识别的偏见。然而，现有的偏差缓解方法通常需要端到端的训练，并且无法实现高的验证精度。因此，我们提出了一种基于约束的对抗性去偏置方法，称为“保护属性抑制系统（PASS）”。可以在从任何先前训练的高性能网络获得的描述符之上训练PASS，以对身份进行分类，同时减少敏感属性的编码。这消除了端到端培训的需要。作为PASS的一个组成部分，我们提出了一种新的训练策略，阻止网络编码受保护的属性信息。我们展示了PASS在减少来自SOTA人脸识别网络（如Arcface）的描述符中的性别和肤色信息方面的功效。因此，PASS描述符在减少IJB-C数据集上的性别和肤色偏见方面优于现有基线，同时保持高验证准确性。
2021-08-09 cs.CV
Improving Face Recognition by Clustering Unlabeled Faces in the Wild
Amazon（亚马逊）；NEC Labs America（NEC美国实验室）；University of Massachusetts, Amherst（马萨诸塞大学阿默斯特分校）；Google（谷歌）；University of California, San Diego（加利福尼亚大学圣地亚哥分校）
虽然深度人脸识别从大规模标记数据中受益匪浅，但目前的研究重点是利用未标记数据进一步提高性能，降低人工注释的成本。以前的工作主要是在受控环境中进行的，其中标记和未标记的数据集在构造上没有重叠的身份。这在大规模人脸识别中是不现实的，在大规模人脸识别中，人们必须应对这种重叠，其频率随着数据量的增加而增加。忽略身份重叠会导致显著的标签噪声，因为来自同一身份的数据被分成多个聚类。为了解决这个问题，我们提出了一种新的基于极值理论的身份分离方法。该算法是一种分布外检测算法，极大地减少了标识标签噪声引起的问题。将聚类分配视为伪标签，我们还必须克服来自聚类错误的标签噪声。我们提出了一种调制的余弦损失，其中调制权重对应于聚类不确定性的估计。在受控和真实设置上的广泛实验证明了我们的方法在监督基线上的一致改进，例如，IJB-A验证改进11.6%。
2020-07-15 cs.CV
Decorrelated Adversarial Learning for Age-Invariant Face Recognition
Tencent AI Lab（腾讯人工智能实验室）
年龄不变人脸识别的研究越来越受到人们的关注。然而，匹配年龄差距较大的人脸仍然是一个具有挑战性的问题，主要是由于衰老引起的人脸外观显着差异。为了减少这种差异，在本文中，我们提出了一种新的算法，以消除与年龄相关的组件混合的身份和年龄信息的功能。具体来说，我们将混合人脸特征分解为两个不相关的分量：身份相关分量和年龄相关分量，其中身份相关分量包含对人脸识别有用的信息。为了实现这一想法，我们提出了去相关对抗学习（DAL）算法，其中引入了一个规范映射模块（CMM）来寻找骨干网络生成的配对特征之间的最大相关性，而骨干网络和因子分解模块被训练来生成减少相关性的特征。因此，所提出的模型学习年龄和身份的分解特征，其相关性显着降低。同时，身份相关特征和年龄相关特征分别由身份和年龄保持信号监督，以确保它们都包含正确的信息。在流行的公共领域人脸老化数据集（FG-NET，MORPH Album 2和CACD-VS）上进行了广泛的实验，以证明所提出的方法的有效性。
2019-04-10 cs.CV
Sustainable Face Recognition on Low-Power Devices with VQ-VAE Embeddings
University of Cambridge（剑桥大学）
提出一种基于VQ-VAE的可持续边缘人脸识别框架，通过紧凑潜在表示和知识蒸馏，在低功耗设备上实现与先进模型相当的精度，同时降低内存和计算需求。
2026-06-16 cs.CV
FaceSaliencyAug: Mitigating Geographic, Gender and Stereotypical Biases via Saliency-Based Data Augmentation
Dublin City University（都柏林城市大学）；University of Galway（戈尔韦大学）
本文提出 FaceSaliencyAug 数据增强方法，通过在人脸显著区域随机应用掩码来提升数据多样性，从而缓解 CNN 和 ViT 模型中的地理、性别及刻板印象偏见，并在多个数据集上验证了其去偏效果。
2024-10-17 cs.AI cs.CV
Exploring Racial Bias within Face Recognition via per-subject Adversarially-Enabled Data Augmentation
Durham University（杜伦大学）；COSMONiO
虽然人脸识别应用在我们的日常生活中变得越来越普遍，但该领域的主要方法仍然存在性能偏见，这对社会中的一些种族形象造成了损害。在这项研究中，我们提出了一种新的对抗性派生数据增强方法，旨在通过使用图像到图像的转换来转移敏感的种族特征面部特征，从而在每个受试者的水平上实现数据集平衡。我们的目标是自动构建一个合成的数据集，通过变换不同种族域的面部图像，同时仍然保留身份相关的功能，使种族依赖的功能，随后成为无关的主题身份的确定。我们构建了三个重要的人脸识别变体的实验：Softmax，CosFace和ArcFace损失在一个共同的卷积神经网络骨干。在并排比较中，我们显示了我们所提出的技术可以通过减少性能的赛前方差对最初不平衡的训练数据集中的（种族）少数群体的识别性能产生积极影响。
2020-04-19 cs.CV
Face Identification by SIFT-based Complete Graph Topology
Indian Institute of Technology Kanpur（印度理工学院坎普尔分校）；University of Sassari（萨萨里大学）
本文提出了一种基于从人脸图像中提取的SIFT特征的图匹配技术的人脸识别系统。虽然SIFT特征已经成功地用于一般的目标检测和识别，但直到最近才被应用于人脸识别。本文进一步研究了基于SIFT特征的图匹配拓扑的身份识别技术的性能，SIFT特征具有旋转、缩放和平移不变性。图像上的人脸投影，由一个图形表示，可以匹配到新的图像，通过最大化的相似性函数，考虑到空间失真和局部特征的相似性。研究了两种基于图的匹配技术，以处理错误的配对分配和减少特征的数量，以找到数据库和查询面SIFT特征之间的最佳特征集。在BANCA数据库上的实验结果表明了该系统的有效性。
2010-02-02 cs.AI cs.CV
Video Face Recognition System: RetinaFace-mnet-faster and Secondary Search
ICT（中国科学院信息工程研究所）
人脸识别在场景中有着广泛的应用。然而，不同的视觉环境需要不同的方法，并且人脸识别在复杂环境中具有困难。因此，本文主要对视频中的复杂人脸进行实验。首先，我们设计了一个图像预处理模块，用于模糊场景或曝光不足的人脸图像增强。我们的实验结果表明，有效的图像预处理提高了0.11%，0.2%和1.4%的准确率LFW，WIDER脸和我们的数据集，分别。其次，我们提出了RetinacFace-mnet-faster的检测和人脸识别的置信阈值规范，降低了丢失率。我们的实验结果表明，我们的RetinaFace-mnet-faster在Tesla P40和单线程上的640*480分辨率分别提高了16.7%和70.2%。最后，我们设计了二次搜索机制与HNSW，以提高性能。实验结果表明，该方法在单帧检测时比暴力检索方法的速度提高了82%。
2020-09-29 cs.CV cs.IR
Time flies by: Analyzing the Impact of Face Ageing on the Recognition Performance with Synthetic Data
NTNU（挪威科技大学）；h-da（达姆施塔特应用科学大学）
合成图像合成的巨大进步使得能够生成高分辨率和照片写实主义的面部图像。在生物识别应用中，使用合成数据的主要动机是解决公开可用的生物识别数据的短缺，同时在处理此类敏感信息时降低隐私风险。这些优点是利用在这项工作中，通过模拟人脸老化与最近的面部年龄修改算法，以产生交配样本，从而研究老化的影响，对性能的开源生物识别系统。此外，使用真实数据集来评估短期老化的影响，将生物识别性能与合成域进行比较。主要研究结果表明，1-5年的短期老化对一般识别性能的影响很小。然而，正确验证长期年龄差异超过20岁的配对面孔仍然是一个重大挑战，需要进一步调查。
2022-08-17 cs.AI cs.CV
CryptoFace: End-to-End Encrypted Face Recognition
Michigan State University（密歇根州立大学）
针对人脸识别的隐私风险，本文提出首个基于全同态加密的端到端加密人脸识别系统CryptoFace，通过混合浅层块卷积网络与并行计算降低延迟，在基准测试中实现更快推理与更高准确率，推动安全人脸识别发展。
2025-08-30 cs.CR cs.CV
Autoencoder Based Face Verification System
Virginia State University（弗吉尼亚州立大学）；Silo AI（Silo AI公司）；University of Trento（特伦托大学）
本研究提出一种基于自编码器预训练的两步人脸验证方法，以无监督方式利用大量无标注数据，减少对标注数据的依赖，并在LFW和YTF基准上取得与最先进方法相当的性能。
2024-02-08 cs.AI cs.CV cs.CY
Racial Faces in-the-Wild: Reducing Racial Bias by Information Maximization Adaptation Network
Beijing University of Posts and Telecommunications（北京邮电大学）；Canon Information Technology (Beijing) Co., Ltd（佳能信息技术（北京）有限公司）
种族偏见是生物识别中的一个重要问题，但在深度人脸识别中尚未得到深入研究。在本文中，我们首先贡献了一个名为Racial Faces in the Wild（RFW）数据库的专用数据集，在此数据库上，我们坚定地验证了四种商业API和四种最先进（SOTA）算法的种族偏见。然后，我们进一步提出了使用深度无监督领域自适应的解决方案，并提出了一个深度信息最大化自适应网络（IMAN），以减轻这种偏见，使用高加索人作为源域和其他种族作为目标域。这种无监督的方法同时调整全局分布，以减少种族差距在域级别，并学习的歧视性目标表示在集群级别。提出了一种新的互信息损失，以进一步提高网络输出的区分能力，没有标签信息。在RFW、GBU和IJB-A数据库上进行的大量实验表明，IMAN成功地学习了在不同种族和不同数据库中推广的特征。
2019-07-27 cs.CV
Learning A Shared Transform Model for Skull to Digital Face Image Matching
IIIT-Delhi（德里英德拉普拉斯塔信息技术学院）；Texas A&M University, Kingsville（德州农工大学金斯维尔分校）
人类头骨鉴定是一项艰巨的任务，传统上需要法医艺术家和人类学家的专业知识。本文是一个自动化的匹配头骨图像的数字人脸图像的过程中，从而建立一个身份的骨骼仍然努力。为了实现这一点，提出了一种新的共享变换模型来学习区分表示。该模型学习鲁棒的特征，同时减少头骨和数字人脸图像之间的类内变化。这样的模型可以通过加快头骨识别过程并减少人工负荷来协助执法机构。对公开的IdentifyMe数据集的两个预定义协议进行的实验评估证明了所提出的模型的有效性。
2018-08-14 cs.CV
RainShift: A Benchmark for Precipitation Downscaling Across Geographies
Mila Quebec AI Institute（魁北克AI研究所）；European Centre for Medium Range Weather Forecasts（欧洲中期天气预报中心）；Cluster of Excellence Machine Learning（卓越机器学习集群）；University of Tübingen（图宾根大学）；McGill University（麦吉尔大学）
本文提出 RainShift 数据集与基准，系统评估 GAN 和扩散模型等降尺度方法在跨地理分布偏移下的泛化能力，揭示分布外区域性能显著下降，并证明数据对齐可改善空间泛化，推动高分辨率气候信息的全球公平获取。
2025-07-07 cs.CV
The Many Faces of Robustness: A Critical Analysis of Out-of-Distribution Generalization
UC Berkeley（加州大学伯克利分校）；UChicago（芝加哥大学）；Google（谷歌）
我们介绍了四个新的真实世界的分布偏移数据集，包括图像风格，图像模糊，地理位置，相机操作等的变化。通过我们的新数据集，我们评估了以前提出的用于提高分布外鲁棒性的方法，并对其进行了测试。我们发现，使用更大的模型和人工数据增强可以提高对现实世界的分布偏移的鲁棒性，与先前工作中的要求相反。我们发现人工鲁棒性基准的改进可以转移到现实世界的分布偏移，与先前工作中的要求相反。由于我们观察到数据增强可以帮助真实世界的分布偏移，我们还引入了一种新的数据增强方法，该方法提高了最新技术水平，并且优于使用1000倍以上标记数据预训练的模型。总的来说，我们发现，一些方法始终有助于纹理和局部图像统计的分布偏移，但这些方法并不有助于其他一些分布偏移，如地理变化。我们的研究结果表明，未来的研究必须同时研究多个分布偏移，因为我们证明，没有评估的方法一致地提高鲁棒性。
2021-07-24 cs.CV cs.LG stat.ML
StreetviewLLM: Extracting Geographic Information Using a Chain-of-Thought Multimodal Large Language Model
University of Southern California（南加州大学）；University of Malaya（马来亚大学）；Guangzhou College of Technology and Business（广州工商学院）
本文提出StreetViewLLM框架，将大语言模型与思维链推理及街景图像、地理坐标、文本等多模态数据结合，并利用检索增强生成技术提升地理空间预测精度，在七个全球城市的五项城市指标预测中均优于基线模型。
2024-11-19 cs.AI cs.CL cs.CV
Can you tell a face from a HEVC bitstream?
Simon Fraser University（西蒙弗雷泽大学）
图像和视频分析越来越多地被大规模使用。不仅数据量在增长，而且数据处理管道的复杂性也在增加，从而加剧了问题。尽可能节省计算资源变得越来越重要。我们专注于视觉分析的海报问题之一-人脸检测-并通过询问来解决减少计算的问题：是否有可能在没有从高效视频编码（HEVC）比特流中进行完整图像重建的情况下检测人脸？我们证明，这确实是可能的，与传统的人脸检测的准确性相媲美，通过训练的HEVC熵解码器的输出上的卷积神经网络。
2017-09-09 cs.CV
Enhancing Low-resolution Face Recognition with Feature Similarity Knowledge Distillation
Gwangju Institute of Science and Technology（光州科学技术院）
本文提出一种基于余弦相似度的特征知识蒸馏框架，将高分辨率人脸识别网络的知识迁移到低分辨率网络，在AgeDB-30上较先前最优方法提升3%，并保持高分辨率性能。
2023-04-11 cs.CV
Enhancing the KidSat Model: Integrating Geographical Encoding and Data Quality Assessment for Childhood Poverty Prediction
School of Mathematics University of Bristol（布里斯托大学数学学院）；Department of Computer Science University of Oxford（牛津大学计算机科学系）
该研究基于KidSat框架，通过精细数据预处理、图像质量评估和地理编码改进儿童贫困预测。具体包括细化目标矩阵、筛选数据及融合特征。实验表明这些改进有效降低MAE，为基于卫星的社会经济预测提供了可扩展方法。
2026-07-10 cs.CV stat.AP
Cross-Domain Face Verification: Matching ID Document and Self-Portrait Photographs
CPqD Foundation（CPqD基金会）；University of Campinas (Unicamp)（坎皮纳斯州立大学）；Phelcom Technologies
跨域生物识别技术已经成为一种新的需求，这带来了一些额外的挑战，包括苛刻的照明变化，噪声，姿态变化等。在本文中，我们探讨了跨域人脸验证的方法，将自拍照片（“自拍”）与身份证文件进行比较。我们通过适当的图像光度调整和数据标准化技术来解决这个问题，同时使用深度学习方法从数据中提取最突出的特征，从而减少该问题中域偏移的影响。我们使用一个新的数据集，包括50个人验证的方法。所得到的结果是有希望的，并表明所采用的路径是值得进一步研究。
2016-11-17 cs.CV
Learning to mask: Towards generalized face forgery detection
提出一种基于师生网络的方法，利用多头注意力ViT生成注意力图并采用深度特征mixup策略，减少易学特征以降低过拟合，无需数据增强即可提升人脸伪造检测对未见伪造类型的泛化能力。
2024-11-18 cs.CV
Does Progress On Object Recognition Benchmarks Improve Real-World Generalization?
Meta AI (FAIR)（元人工智能（基础人工智能研究团队））；New York University（纽约大学）
该研究针对标准目标识别基准难以衡量真实世界泛化的问题，通过全球家庭物品数据集开展近百个模型的实证评估，发现标准基准进展与真实泛化存在差距且会加剧地理性能差异，提出最后一层重训练可作为规模扩展的补充方向。
2023-07-24 cs.CV cs.LG
Reducing Overlearning through Disentangled Representations by Suppressing Unknown Tasks
IBM Research AI（IBM研究院人工智能部门）
现有的用于学习视觉特征的深度学习方法倾向于过度学习并提取比手头任务所需的更多的信息。从隐私保护的角度来看，输入的视觉信息不受模型的保护;使模型变得比训练时更智能。目前用于抑制额外任务学习的方法假设在训练时间期间要抑制的任务的地面真值标签的存在。在这项研究中，我们提出了一个三重的新贡献：（i）通过抑制所有未知任务来减少模型过度学习的模型不可知解决方案，（ii）一个新的度量标准来衡量训练的深度学习模型的信任得分，以及（iii）一个模拟的基准数据集，PreserveTask，具有五个不同的基本图像分类任务来研究模型的泛化性质。在第一组实验中，我们在PreserverTask数据集上学习了五种流行的深度学习模型：VGG 16，VGG 19，Inception-v1，MobileNet和DenseNet的解纠缠表示并抑制了过度学习。此外，我们还展示了我们的框架在颜色MNIST数据集上的结果，以及在面孔多样性（DiF）和IMDB-Wiki数据集上的人脸属性保留的实际应用。
2020-05-20 cs.CV cs.LG
Age Gap Reducer-GAN for Recognizing Age-Separated Faces
West Virginia University（西弗吉尼亚大学）；IIT Jodhpur（焦特布尔印度理工学院）；Texas A&M University-Kingsville（德州农工大学金斯维尔分校）
在本文中，我们提出了一种新的算法，用于匹配由于年龄增长而引起的时间变化的人脸。提出的生成对抗网络算法是一个统一的框架，结合了人脸年龄估计和年龄分离的人脸验证。这种方法的关键思想是通过将输入图像调节到受试者的性别和面部需要进展的目标年龄组来学习随时间的年龄变化。损失函数用于减小原始图像和生成的人脸图像之间的年龄差距以及保持身份。视觉逼真度和定量评价表明，所提出的架构上的不同年龄的人脸识别数据库的年龄分离的人脸识别的功效。
2020-11-11 cs.CV cs.LG
Reducing Racial Bias in Facial Age Prediction using Unsupervised Domain Adaptation in Regression
University of California, San Diego（加州大学圣迭戈分校）
我们提出了一种无监督的领域自适应方法，用于根据给定的人脸图像估计某人的年龄。为了避免种族偏见在大多数公开可用的人脸图像数据集中传播到在其上训练的模型的无效性中，我们执行领域自适应以激励预测器学习对种族不变的特征，从而提高来自不同种族背景的人的面部的泛化性能。利用年龄的有序性，我们还对模型的预测施加了排名约束，并设计了我们的模型，使其将一对图像作为输入，并输出相对年龄差和第一身份相对于其他身份的排名。此外，我们实现多维缩放来检索绝对年龄从预测的年龄差异从两个标记的图像从域要适应。我们用一个带有年龄标签的公开数据集进行实验，根据种族标签将其划分为子集，并评估我们的方法在来自与模型训练的种族不同的种族的数据上的性能。此外，我们施加了一个约束，以保持相对和绝对年龄预测的合理性，另一个用于确保预测相对于输入的平滑性。我们进行了广泛的实验并比较了回归任务的各种领域自适应方法。
2021-04-05 cs.CV cs.LG
A Two-Step Learning Method For Detecting Landmarks on Faces From Different Domains
Universidade Federal de Minas Gerais (UFMG)（米纳斯吉拉斯联邦大学（UFMG））
人脸上的基准点的检测已经受到机器学习领域，特别是卷积网络领域的快速发展的显著青睐。然而，大多数检测器的准确性强烈依赖于大量的注释数据。在这项工作中，我们提出了一个领域自适应方法的基础上的两步学习检测基准点的人类和动物的脸。我们在由不同动物面孔（猫、狗和马）组成的三个不同数据集上评估了我们的方法。实验表明，我们的方法比现有技术的性能更好，可以使用很少的注释数据来利用地标的检测，减少对大量注释数据的需求。
2018-09-12 cs.CV cs.LG
Testing the Efficient Network TRaining (ENTR) Hypothesis: initially reducing training image size makes Convolutional Neural Network training for image recognition tasks more efficient
University of Göttingen（哥廷根大学）；University of Siegen（锡根大学）
用于图像识别任务的卷积神经网络（CNN）在可用架构以及如何基于大型计算基础设施和具有数百万图像的标准数据集训练网络方面取得了快速进展。相比之下，例如，小型设备和免费云GPU的性能和时间约束需要有效的网络训练（即，在尽可能短的推理时间内获得最高的准确性），通常在小数据集上。在这里，我们假设在训练过程中最初减小图像大小会使训练过程更有效，因为对小图像进行预成形权重，然后在较大图像中使用这些权重会减少初始网络参数和总推理时间。我们通过使用免费的云GPU在三个小数据集（钢铁微观结构，蜜蜂图像和地理航空图像）上训练预训练的残差网络（ResNet）模型（ResNet 18，34和50）来测试这种有效网络训练（ENTR）假设。基于i）不，ii）逐渐或iii）在训练过程中一步增加图像大小的三种训练方案，我们表明，最初减少图像大小可以在数据集和网络中一致地提高训练效率。我们解释这些结果的正则化理论的框架内机械。对ENTR假设的支持是一个重要的贡献，因为实际应用需要提高图像识别任务的网络效率。在未来，我们将很高兴看到ENTR假设如何适用于ImageNet或CIFAR等大型标准数据集，以更好地理解其潜在机制，以及这些结果如何与结构学习等其他领域进行比较。
2018-07-30 cs.AI cs.CV
GEO-Detective: Unveiling Location Privacy Risks in Images with LLM Agents
CISPA Helmholtz Center for Information Security（CISPA赫尔姆霍茨信息安全中心）；Xi’an Jiaotong University（西安交通大学）
GEO-Detective利用LLM代理进行图像地理定位推断，通过自适应策略和专用工具提升定位精度并降低隐私风险。
2025-11-27 cs.AI cs.CR cs.CV
Balanced Face Dataset: Guiding StyleGAN to Generate Labeled Synthetic Face Image Dataset for Underrepresented Group
AIMS-AMMI（非洲数学科学研究所-非洲数学科学研究所（AMMI））
本文提出通过控制 StyleGAN 生成过程创建平衡的合成人脸数据集，以缓解代表性不足群体带来的机器学习偏见，并为下游任务提供标注。
2023-08-07 cs.AI cs.CV cs.LG
