Detecting and recognizing faces accurately has always been a challenge. Differentiating facial features, training images, and producing quick results require a lot of computation. The REaL system we have proposed in this paper discusses its functioning and ways in which computations can be carried out in a short period. REaL experiments are carried out on live images and the recognition rates are promising. The system is also successful in removing non-human objects from its calculations. The system uses a local database to store captured images and feeds the neural network frequently. The captured images are cropped automatically to remove unwanted noise. The system calculates the Euler angles and the probability of whether the face is smiling, has its left eye, and right eyes open or not.
LUVLi Face Alignment: Estimating Landmarks' Location, Uncertainty, and Visibility Likelihood
University of Utah（犹他大学）；Mitsubishi Electric Research Labs (MERL)（三菱电机研究实验室（MERL））；University of Manchester（曼彻斯特大学）；Michigan State University（密歇根州立大学）；New York University（纽约大学）
Enhancing Blind Face Restoration through Online Reinforcement Learning
Institute of Information Science, Beijing Jiaotong University（信息科学学院，北京交通大学）；Visual Intelligence +X International Cooperation Joint Laboratory of MOE（教育部视觉智能+X国际合作联合实验室）；Kuaishou Technology（快手科技）
Revisiting Likelihood-Based Out-of-Distribution Detection by Modeling Representations
Department of Science and Technology, Linköping University, Norrköping, Sweden（科技系，林雪平大学，瑞典诺尔克平）；Department of Computer and Information Science, Linköping University, Linköping, Sweden（计算机与信息科学系，林雪平大学，瑞典林雪平）
Nanyang Technological University（南洋理工大学）；Agency for Science, Technology and Research (A*STAR)（新加坡科技研究局）；University of Oulu（奥卢大学）；Great Bay University（大湾区大学）；Great Bay Institute for Advanced Study（大湾区高等研究院）；South China University of Technology（华南理工大学）
FaceNet: A Unified Embedding for Face Recognition and Clustering
Google Inc.（谷歌公司）
尽管最近在人脸识别领域取得了重大进展，但大规模有效地实现人脸验证和识别对当前方法提出了严峻的挑战。在本文中，我们提出了一个系统，称为FaceNet，直接学习从人脸图像映射到一个紧凑的欧几里德空间，距离直接对应于人脸相似性的度量。一旦生成了这个空间，就可以使用标准技术轻松实现人脸识别、验证和聚类等任务，并将FaceNet嵌入作为特征向量。我们的方法使用经过训练的深度卷积网络来直接优化嵌入本身，而不是像以前的深度学习方法那样使用中间瓶颈层。为了进行训练，我们使用了一种新的在线三元组挖掘方法生成的粗略对齐的匹配/非匹配人脸补丁的三元组。我们的方法的好处是更大的代表性效率：我们实现了最先进的人脸识别性能，每张脸只使用128字节。在广泛使用的Labeled Faces in the Wild（LFW）数据集上，我们的系统实现了99.63%的新记录准确率。在YouTube Faces DB上，它达到了95.12%。我们的系统在两个数据集上都将出错率与最佳公布结果相比降低了30%。我们还介绍了谐波嵌入的概念，以及谐波三重态损失，它描述了不同版本的人脸嵌入（由不同的网络产生），这些嵌入彼此兼容，并允许彼此之间进行直接比较。
Maximum A Posteriori Estimation of Distances Between Deep Features in Still-to-Video Face Recognition
National Research University Higher School of Economics（俄罗斯高等经济研究大学）；Laboratory of Algorithms and Technologies for Network Analysis（网络分析算法与技术实验室）
研究了基于高维深瓶颈特征间距离计算的小样本静态到视频人脸识别问题。我们提出了一种新的统计识别方法，其中静态到视频的识别任务是铸造成最大后验估计。在这种方法中，我们最大化的联合概率密度的距离所有参考静止图像。它表明，这种可能性可以估计与已知的渐近正态分布的Kullback-Leibler歧视之间的非负功能。利用LFW（Labeled Faces in the Wild）、YTF（YouTube Faces）和IJB-A（IARPA Janus Benchmark A）数据集进行了实验研究。我们证明了，所提出的方法可以应用于最先进的深度特征和相异性措施。我们的算法实现了3-5%的准确性相比，传统的聚合所有帧获得的决定。
在生物识别领域，基于虹膜、指纹或掌纹扫描等的识别系统通常被认为是更可靠的，因为这些实体的属性相对于时间的变化非常小。然而，在过去的十年中，计算机的数据处理能力已经增加了数倍，这使得实时视频内容分析成为可能。由此可见，当下需要的是一种鲁棒性强、自动化程度高、准确率可信的人脸检测与识别算法。所提出的使用离散小波变换（DWT）的人脸检测和识别系统接受来自数据库的人脸帧作为输入，所述数据库包含来自低成本设备的图像，所述低成本设备例如VGA相机、网络摄像头或甚至CCTV，其中图像质量较差。然后，使用L * a * b * 颜色空间的属性来检测面部区域，并且仅提取正面面部，使得消除所有附加背景。此外，该提取的图像被转换为灰度级，并且其尺寸被调整为128 x 128像素。然后将小波变换应用于整个图像以获得系数。通过比较属于测试图像的DWT系数与注册的参考图像的DWT系数来进行识别。在比较的基础上，使用欧氏距离分类器对数据库中的测试图像进行验证。精度为不同层次的DWT分解，因此，比较。
