深度学习在人脸识别领域的应用

深度学习在人脸识别中的应用综述合集 | Deep Face 人脸识别的流水线包括四个阶段:检测⇒对齐⇒表达⇒分类。 其中,特征提取与度量,是人脸识别问题中的关键问题,也是相关研究的难点之一。人脸对齐同样是难以解决的问题,特别是在无约束的环境下。 阅读详情

  Learning Hierarchical Representations for Face Verification with Convolutional Deep Belief Networks

       话说这深度学习如火如荼的,在imageNet上斩获无数,在人脸识别这个领域,深度学习也不甘示弱,本系列将介绍人脸识别领域应用深度学习的工作。

       这是CVPR2012的一篇工作,利用CDBN来做层次特征学习,来处理unrestricted face verification问题。由于人脸的特殊性,CDBN除了直接在灰度图像上训练,同时在LBP图像上训练(取了59维的 Uniform LBP Feature),按文中观点,CDBN可以用来提取local feature中的高阶统计信息。另外一方面,人脸被划分为若干相互重叠的块,每个块只和部分隐结点发生关联,CRBM的建模如下:

      

       最后输出的特征进一步用CSML进行测度学习,过程依旧是先做PCA,再学测度。

       实验部分在LFW数据集上进行,文章在不同网络架构下比较了random filter和基于CDBN模型的learned filter,得出结论是learned filter比random filter对网络架构鲁棒性更强,性能普遍更优。

      

        重头戏是LFW View2上的确认实验,注意CDBN网络的参数是在View1上调出来滴。实验结果如下:


      Table 1中,在Kyoto这个自然图像数据集上训练的CRBM model放在人脸上也不错。另外一个费解的地方就是,多层的CRBM提升不大,Kyoto数据集上,2层CRBM的性能甚至比一层的还要低。深度学习的拥护者普遍认为,不充分的深度是有害的。单个数据源性能最高的是Kyoto,同时使用LBP和pixel训练CRBM,Accuracy达到了86.60%,居然比人脸数据训练出的模型还高。

      Table2就有些惨不忍睹了,虽然说Hand-crafted那个87.18%的性能是融合多个描述子出来的,本文工作中的86.88%也是用的SVM融合,这个CDBN和hand-crafted孰优孰劣,至少从目前这个工作中,我们得不出结论。要知道Sun Jian CVPR2013的最新工作Blessing of Dimensionality: High-dimensional Feature and Its Efficient Compression for Face Verification,利用稠密采样的多尺度LBP特征在LFW数据集上已经到达了95%的逆天性能。


         Deep Convolutional Network Cascade for Facial Point Detection

       本文是CVPR2013汤晓欧课题组的最新工作,利用级联深度卷积网络进行面部特征点定位。

1. Deep Covolutional Network

        Deep Covolutional Network深度卷积神经网络,正是我们所熟悉的CNN(Covolutioanl neural network),CNN在上了世纪末年就已经成型[1],现如今深度学习如日中天,加个Deep顿时就高端起来了大笑。

     

           Figure.1 给出了Deep CNN的结构图,Deep CNN通过多层的卷积结构来提取层次特征(Hierarchical Feature),并通过max-pooling层下采样获取不变性,最后通过最上层一个全连接的MLP(hidden layer + logistic regression)[2]来实现分类。


2. Cascaded Convolutional Network

     

          图2是整个系统的结构图,“Cascaded"就体现在这样的一个层次结构上,F1、EN1和NM1首先是一层粗的定位,后面再通过更加精细LE21等第二层检测器以及LE31等第三层检测器实现更为精细的位置修正。图中的黄色区域是每层检测器的扫描区域。注意第一层卷积网络的标识为Deep CNN,这表示第一层网络所采用的是Figure.1所示的深度结构。注意,LE21和LE22都是用来预测左眼中心的位置,区别在于扫描区域。

3. 实现细节

     Level 1-3的网络结构见下表:

     

      注意Level2-3所采用的网络结构均为S2。

      下表则给出了的Level 2-3各个卷积网络的扫描区域。

      

       从Table2可以清晰的看出LE21和LE22在扫描区域上的区别。

4. 实验

     Figure.4比较了多种网络结构,Figure.5显示了多层级联结构的优势。:

      

         

           

       Figure.6 在BioID和LFPW两个库上将本文方法与state-of-the-art方法进行了比较。可见本文方法的性能相比传统方法有较大提升(50% Accuracy improvement)。

      Figure.8给出了一些检测结果,本文作者用C++实现了该方法,检测速度为0.12second/per image,相当于8frames/s,客观的说,这个速度不算快,但是检测精度的确非常给力。

     

      

参考文献

[1] LeNet-5

[2] Multilayer Perceptron


 Deep Nonlinear Metric Learning with Independent Subspace Analysis for Face Verification

       这是一篇ACM MM的短文,名字取的也很吓人,实际上就是用stacked ISA来训练一个深度网络,然后再用测度学习做back propogation优化网络权重。
      
        经典的DBN用RBM来作为网络基本单元, 文章用ISA作为基本深度网络的基本单元,从原理上说,和Auto encoder非常像,不同支出是只有编码,另外加入了一个pooling uinits来增强不变性,ISA的形式化如下:
                  
       最终的深度结构见图2,特征在人脸的不同块上并不是一致分布的,因此文章在第一层网络设计中充分考虑了这一点,为每个块单独训练一个ISA。
        
      通过这个深度ISA网络,我们就可以获得原始输入的一个特征表示,在这个新的表示空间里,我们用测度学习的方法设计目标函数:
      
       通过公式(9)这个目标函数,我们可以获得W的梯度,从而可以完成对W的优化(fine tuning)。
       实验结果:
      
         Unresticted单个特征SIFT最高可以做到88.75%。不过表1的结果很有意思,fine-tuning没有带来明显的性能改善。ISA中的稀释约束显然是对性能贡献最大的。本文的deep metric learning是张皮,实质上就是一个基于深度ISA的稀疏特征学习方法。
      


深度学习在人脸识别领域的应用(1) 话说这深度学习如火如荼的,在imageNet上斩获无数,在人脸识别这个领域,深度学习也不甘示弱,本系列将介绍人脸识别领域应用深度学习的工作。 1. Learning Hierarchical Representations for Face Verification with Convolutional Deep Belief Networks        这是CVPR2012的一篇 阅读详情

相关推荐

深度学习在人脸识别领域的应用(4)

DeepFace: Closing the Gap to Human-Level Performance in Face Verification        这篇文章是Facebook公司发表于CVPR2014的Oral文章, 这段时间非常火,一众科技媒体都在热炒“计算机的人脸识别能力正在赶超人类或者已经赶超了人类”,甚至微博上有人断言,CV研究的最高境界就是“用最牛的机器,实现最深度的算法

深度学习,计算机视觉 9552

深度学习与人脸识别:实现无人识别的梦想

1.背景介绍 人脸识别技术是人工智能领域的一个重要分支,它利用计算机视觉、深度学习等技术,从图像或视频中自动识别和确定人脸,并匹配其相关信息。随着深度学习技术的发展,人脸识别技术也得到了巨大的推动,成为了一种非常准确、高效、可扩展的人脸识别方法。 在过去的几年里,人脸识别技术已经广泛应用于安全、金融、医疗等多个领域,为人们的生活带来了很多便利。例如,在银行、商场、机场等公共场所,人脸识别技术被...

AI天才研究院 1440

深度学习在人脸识别领域的应用(2)

Deep Convolutional Network Cascade for Facial Point Detection        本文是CVPR2013汤晓欧课题组的最新工作,利用级联深度卷积网络进行面部特征点定位。 1. Deep Covolutional Network         Deep Covolutional Network深度卷积神经网络,正是我们所熟悉的CNN

深度学习,计算机视觉 6664

深度学习在人脸识别大数据分析中的实践

1.背景介绍 人脸识别技术是人工智能领域的一个重要分支,其应用广泛且日益增长。随着大数据技术的发展,人脸识别技术在处理大量面部特征数据方面得到了显著提升。深度学习技术在人脸识别领域取得了显著的成果,为人脸识别技术提供了强大的计算能力和模型优化手段。本文将从深度学习在人脸识别大数据分析中的应用、核心概念、算法原理、具体操作步骤、代码实例以及未来发展趋势等方面进行全面阐述。 1.1 人脸识别技术的...

AI天才研究院 1177

人脸识别技术在多场景中的深度学习实践:安防、支付等领域的应用

一、引言人脸识别技术作为生物识别领域的重要组成部分,近年来取得了显著的进展。随着深度学习技术的飞速发展,人脸识别的准确率、稳定性和适应性得到了极大提升,使其在众多领域得到了广泛应用。从安防监控中的人员身份识别与追踪,到移动支付中的便捷身份验证,人脸识别技术正深刻改变着人们的生活和工作方式。本文将详细介绍人脸识别技术的发展现状,并重点阐述深度学习算法在不同场景下的应用原理、实现细节,同时分享数据采集与增强方法、模型训练与优化技巧以及在实际应用中的准确率和安全性保障措施。

数字魔方操控师的博客 893

人脸识别+深度学习,水平远超人类大脑!

全文共3342字,预计学习时长7分钟 什么是人脸识别?什么是深度学习?两者结合能带来什么影响? 如果你认为一篇文章无法涵盖这么多问题,这篇文章能够改变你的想法。本文展示了所有重要的概念。总之,在这篇文章中你将会了解到脸部识别是如何运作的,及其如何和深度学习技术协同工作。 深度学习的基础 深度学习只是机器学习中的一个标准范式,更精确地说,是其中一个算法。深度学习在最大限度上依靠于人脑...

读芯术的博客 3713

【Cascade FPD】《Deep Convolutional Network Cascade for Facial Point Detection》

CVPR-2013 文章目录1 Background and Motivation2 Related Work3 Advantages / Contributions4 Method5 Experiments5.1 Datasets5.2 Investigate network and cascade structures5.3 Comparison with other methods6 Conclusion(own) / Future work 1 Background and Motivat..

bryant_meng 3150

基于深度学习的人脸识别技术

作者:禅与计算机程序设计艺术 1.简介 (1)基于计算机视觉的人脸识别技术 近年来,随着互联网的飞速发展,智能手机、平板电脑等移动终端和手持设备的普及,相机、摄像头、照片、视频、微型芯片等信息媒介逐渐成为普通人的日常生活的一部分。在这个信息

AI天才研究院 2939

深度学习在人脸识别中的应用 —— 优图祖母模型的「进化」

原作者: 腾讯优图 | 来自: 机器之心 序言——「弱弱」的人工智能 说到人工智能(Artificial Intelligence, AI)人们总是很容易和全知、全能这样的词联系起来。大量关于人工智能的科幻电影更给人工智能蒙上一层神秘的色彩。强如《黑客帝国》、《机械公敌》中的AI要翻身做主人统治全人类。稍弱点的《机械姬》里 EVA 懂得利用美貌欺骗中二程序员,杀死主人逃出生天。最不济也可以蠢萌...

jjjndk1314的博客 2万+

AI Mass人工智能大模型即服务时代:游戏和娱乐领域的应用

作者:禅与计算机程序设计艺术 1.背景介绍 人工智能技术已经成为各个行业重点关注的热点话题,特别是在游戏、娱乐、艺术等领域都有着广泛的应用。其中游戏领域对于AI的发展影响最大,例如在游戏中的游戏对象和环境认知、虚拟现实、人脸识别、机器人自动化等方面都有着重要作用。而作为游戏领域的核心玩法——策略,往

AI天才研究院 402

Deep Convolutional Network Cascade for Facial Point Detection

shenduxuexi,Deep Convolutional Network Cascade for Facial Point Detection

深度学习在安防领域的应用:人脸识别与行为分析

1.背景介绍 在现代社会,安全和防护是至关重要的。随着技术的发展,深度学习在安防领域的应用也日益普及。本文将从以下几个方面进行阐述: 背景介绍 核心概念与联系 核心算法原理和具体操作步骤以及数学模型公式详细讲解 具体最佳实践:代码实例和详细解释说明 实际应用场景 工具和资源推荐 总结:未来发展趋势与挑战 附录:常见问题与解答 1. 背景介绍 安防领域的核心任务是识别和识别潜在的安全威胁...

AI天才研究院 1182

CNN人脸标注(exe)

对 Deep convolutional network cascade for facial point detection[CVPR13]一文的复现,可演示的可执行文件。 目前只实现了第一层。

深度学习在人脸识别与表情识别领域的应用

1.背景介绍 人脸识别和表情识别是计算机视觉领域中的两个重要应用领域,它们在安全、娱乐、教育等多个领域发挥着重要作用。随着深度学习技术的不断发展,人脸识别和表情识别的准确率和效率得到了显著提高。本文将从深度学习的角度详细介绍人脸识别和表情识别的相关技术和应用。 2.核心概念与联系 2.1 人脸识别 人脸识别是指通过计算机视觉技术对人脸进行识别和区分的过程。人脸识别可以根据不同的特征进行分类...

AI天才研究院 890

Spring AI RAG 生产级实战:从 0 构建企业智能知识库系统

Spring AI🎯统一的 API 抽象:屏蔽不同 AI 服务商的差异🎯开箱即用的集成:支持主流大模型和向量数据库🎯Spring 生态融合:与 Spring Boot、Spring Data 无缝集成🎯企业级特性:事务管理、监控、安全等RAG 架构:检索 + 增强 + 生成,解决 LLM 局限性Spring AI:统一的 API 抽象,简化 AI 应用开发向量数据库:pgvector 适合中小规模,Milvus 适合大规模文档处理:加载 → 分块 → 向量化 → 存储检索优化。

一起修行,不孤单。这里有编程语言、开发工具、学习方法论和踩坑笔记。用简单的话说复杂的事,陪你从小白到进阶。周更干货,欢迎一起成长! 409

SpringCloudGateway网关高频20个面试题整理

Spring Cloud Gateway 是基于 Spring 5、Project Reactor 和 Spring Boot 2 构建的 API 网关,提供动态路由、监控、弹性、安全等核心功能。Spring Cloud Gateway 是 Spring Cloud 生态中的 API 网关,用于微服务架构中的请求路由、负载均衡、限流、鉴权等。实现@Component@Override// 逻辑处理。

u012024132的专栏 1115

深度学习在人脸识别领域的应用(3)

Deep Nonlinear Metric Learning with Independent Subspace Analysis for Face Verification        这是一篇ACM MM的短文,名字取的也很吓人,实际上就是用stacked ISA来训练一个深度网络,然后再用测度学习做back propogation优化网络权重。

深度学习,计算机视觉 2827

SAGA GIS英文版进行地形分析,计算常用的地形因子等

SAGA GIS中文版是一款专业的自动化地球科学分析系统软件。SAGA GIS最新版界面简洁,操作简便,用户使用时输入要分割的影像,选择要计算特征的影像或者波段,设置越大,得到的斑块越大;反之,则越小,点击Okay,得到分割影像图。SAGA GIS中文版主要通过选择适合你影像的格式,加载影像。 SAGA GIS全称是System for Automated Geoscientific Analyses,是一种用于编辑空间数据的地理信息系统(GIS)计算机程序,它是免费的开源软件,SAGA GIS旨在为科学家

qq_35794085的博客 5649

人脸识别与表情识别:深度学习在计算机视觉领域的应用

1.背景介绍 人脸识别和表情识别是计算机视觉领域的重要研究方向之一。随着深度学习技术的发展,人脸识别和表情识别的准确率和效率得到了显著提高。本文将从深度学习在计算机视觉领域的应用中详细介绍人脸识别和表情识别的核心概念、算法原理、具体操作步骤以及数学模型公式。同时,我们还将通过具体代码实例来进行详细解释,并分析未来发展趋势与挑战。 1.1 人脸识别的历史与发展 人脸识别技术的历史可以追溯到19...

AI天才研究院 1698

Tessent MBIST SDC

主要是两个PROC,tessent_constrain_${design_name}_mentor_ijtag_non_modal和tessent_constrain_${design_name}_mentor_memory_bist_modal。其中,Memory/MBIST controller/MEM Interface可以从func_clk_1来(用func_clk_1和func_clk_2的高频时钟),如图中红色线。其中,SIB和BAP用ijtag_tck的clock,如图绿色线。

po_poo的博客 1994

【ESP32CAM+Android+OpenCV】自定义目标数据集、训练自己的OpenCV模型部署到手机APP并对ESP32CAM无线图传显示并实时检测识别目标_资料编号30

本项目实现自定义目标数据集(想检测什么就检测什么,按照本文教程自己来更换目标)、训练自己的OpenCV模型实时检测识别(pycharm工程)。手机APP(Android studio工程)部署OpenCV模型实现对ESP32CAM(arduino工程)无线WIFI图传过来的图像实时检测识别。 本文以火焰检测识别为例进行演示,通过该过程,结合本文可自定义尝试更换为其它目标的检测,例如更换为车辆、车牌、手势、人脸面部活动、人脸表情、火焰烟雾、行人、口罩、行为、水果、植物、农作物、建筑、损伤等等部署进行检测。

嵌入式阿齐Archie 3487

图像识别技术在人脸识别领域的新突破

综上所述,图像识别技术在人脸识别领域的新突破主要体现在深度学习技术的应用、算法和模型的优化、多模态融合技术、隐私保护技术的发展、应用领域的拓展、性能提升和效率优化以及解决挑战和应对变化等方面。这些新突破不仅推动了人脸识别技术的快速发展,也为人们的生活带来了更多便利和安全保障。图像识别技术在人脸识别领域的新突破主要体现在多个方面,这些突破不仅提高了人脸识别的准确性和效率,还拓展了其应用领域。

matlabgoodboy的博客 683

桌面运维工程师面试题详解(一)

桌面运维工程师面试题详解(一)

jks212454的博客 1428
上一篇: 转:人脸识别领域的国内领先课题组
下一篇: 深度学习源码搜集
TreeFish2012
博客等级 码龄14年 25粉丝 1原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
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