国内最早从事人脸识别研究的还包括清华大学电子系的苏光大教授,2000年左右就开始在公安部的资助下进行“人像组合与人像识别综合系统”研究,他的弟子张翠平于2000年写的关于人脸识别的综述“人脸识别技术综述”,是国内人脸识别最早的综述。
此外,清华计算机系的艾海洲老师,虽然在近几年才开始开展人脸识别方面的工作,但是其在人脸检测、跟踪,特征点定位等方面的工作在国际上一致具有很大的影响力,十分值得关注。
墨衍会员
·
AI 创作全网分发
墨衍智能分发
本文由作者通过墨衍一键同步至各平台
1分发平台
1.5k累计阅读
1.6k平均单平台
已同步平台
优快云
微信公众号
微博
知乎
掘金
百家号
博客园
抖音
小红书
你的文章也可以这样分发
墨衍会员 ¥399起/年,写一次发全网
我也要 →
码龄14年
FaceRecognition
当前文章被以下社区和专栏收录:
CVPR2022 Oral | CosFace、ArcFace的大统一升级,AdaFace解决低质量图像人脸识
一直以来,低质量图像的人脸识别都具有挑战性,因为人脸属性是模糊和退化的。margin-based loss functions的进步提高了嵌入空间中人脸的可辨别性。此外,以往的研究研究了适应性损失的影响,使错误分类(Head)的样本更加重要。 在这项工作中,在损失函数中引入了另一个因素,即图像质量。作者认为,强调错误分类样本的策略应根据其图像质量进行调整。具体来说,简单或困难样本的相对重要性应该基于样本的图像质量来给定。据此作者提出了一种新的损失函数来通过图像质量强调不同的困难样本的重要性。 本文...
“智能信息处理”课程报告:关于表情的人脸识别系统设计
分类器是机器学习和模式识别中常用的算法,用于将输入数据分配到预定义的类别或标签中。它是通过学习从训练数据中提取的特征和模式,以便在未知数据上进行准确的分类。分类器在许多领域都有广泛的应用,包括图像识别、语音识别、自然语言处理等。以下将详细介绍分类器的原理、常见的分类器算法以及其发展状况。分类器的原理是基于训练数据集,其中每个样本都有一个已知的类别标签。通过学习训练数据中的特征和模式,分类器可以构建一个决策边界或决策函数,将新的未知样本映射到不同的类别中。
Nvidia Jetson CH340 驱动安装
最近调一个USB设备,Windows系统上是可以安装CH340 驱动使用的,移到Jetson AGX Orin 上发现没有 /dev/ttyUSB* 设备显示。是一个为盲人和视力障碍者提供的终端设备驱动程序,它会在系统启动时自动加载并占用串口设备,导致我们无法正常使用部分串口设备。安装完后,内核中已经有。
基于JAVA(百度AI)人脸匹配检测设计与实现(Springboot框架) 研究背景与意义、国内外研究现状
基于JAVA(百度AI)人脸匹配检测设计与实现(Springboot框架) 研究背景与意义、国,如识别精度、实时性、安全性等方面的提升需求。然而,目前国内外的人脸匹配检测系统大多是基于云平台实现的,对于一些对实时性要求较高的应用场景,如智能安防、实时监控等,云平台的延迟和网络传输的不稳定性会造成一定的影响。基于JAVA和百度AI的人脸匹配检测系统的设计与实现,正是在这样的背景下应运而生。此外,该系统的研究与实现还有助于推动JAVA技术和百度AI在人脸识别领域的应用和发展,为相关领域的研究和实践提供有力支持。
RRAM/ Near Memory Computing (NMC) Survey - Reading Notes 0707
Reading Notes of Resistive Random Access Memory – Day 2 Chapter 3 RRAM Characterization and Modeling Overview of RRAM Physical Mechanism A general picture for the filamentary switching mechanism. Forming: 对本征RRAM样本,加电压VformingV_{forming}Vforming,中间氧化层的O
Multisim14安装失败?手把手教你彻底清理残留文件(附专用卸载工具)
本文针对Multisim14安装失败问题,提供了一套从根源解决的完整方案。文章详细分析了安装失败的三大元凶——文件残留、注册表残留和隐藏组件,并手把手指导用户使用专用卸载工具进行标准化清理,再结合手动深度清理文件系统和注册表,最终实现彻底卸载和完美重装,有效解决Multisim14安装问题。
AdaFace(CVPR(2022)):通过AdaFace实现低质量面部数据集的人脸识别
工作中遇到,简单整理个人很推荐这个算法,使用预训练模型,实际测试中发现AdaFace确实很强大,特别适合远距离,小目标,图片质量低的人脸识别理解不足小伙伴帮忙指正对每个人而言,真正的职责只有一个:找到自我。然后在心中坚守其一生,全心全意,永不停息。所有其它的路都是不完整的,是人的逃避方式,是对大众理想的懦弱回归,是随波逐流,是对内心的恐惧——赫尔曼·黑塞《德米安》低质量人脸数据集中的识别具有挑战性,因为人脸属性被模糊和降级。基于裕量的损失函数的进步提高了嵌入空间中人脸的可辨别性。
Claude Skills 深度讲解
阶段 1:Function Call(2023)├─ 大模型可以调用外部工具├─ 问题:缺乏对任务的深度理解└─ 局限:工具调用简单线性阶段 2:MCP 上下文工程(2024)├─ 大模型有了更丰富的上下文和工具├─ 问题:仍然需要手动编写复杂的 Prompt└─ 局限:每次对话都需要重新加载上下文阶段 3:Claude Skills(2025)├─ 大模型有了「能力模块」的概念├─ 可以动态加载、组合、执行专门的工作流├─ 真正实现了「知识的模块化和复用」
CVPR 2023 | 人脸识别路漫漫:清华、北大等提出AT3D人脸识别系统攻击方法
点击上方“3D视觉工坊”,选择“星标”干货第一时间送达作者丨CV君来源丨我爱计算机视觉点击进入—>3D视觉工坊学习交流群向大家分享一篇新出的CVPR 2023论文,研究方向是人脸识别系统的对抗攻击。看了这篇文章你可能会立刻关闭你手机里和人脸识别相关的敏感应用,比如支付。▌Towards Effective Adversarial Textured 3D Meshes on Physical...
C# emgu.cv图像识别 从大图中寻找小图,判断存在图的相似度
这是2个问题,我采用emgu.cv来解决这个识别问题,这里需要在nuget中引用emgu。最近写了一个在一张图片中,截取一部分,通过机器判断截取图片是这张图片的。第一、通过小图去找判断是否存在大图中,第二、小图存在大图的什么位置。
从养虾到退坑:OpenClaw 卸载不留残留,一步到位
文章摘要: 本文提供OpenClaw软件的完整卸载指南,适用于Windows、macOS和Linux系统。内容包含卸载前的数据备份步骤(配置文件、日志、插件列表),以及详细的卸载脚本。Windows版通过批处理文件删除程序文件、注册表项和环境变量;macOS/Linux版则提供shell脚本,涵盖服务停止、软件包卸载、配置清理等步骤。特别强调要删除所有用户数据(包括多用户环境),确保系统无残留。文末建议重启计算机以使更改生效,实现"一步到位"的彻底卸载。
2018年度技术圈十大车祸现场!
作者:金翻车奖组委会地址:https://mp.weixin.qq.com/s/nGnb5IuH9edrQb-LIHUCcQhi,各位好!2018年即将过去了,蛋蛋君感谢大家这一年的陪伴...
【C2000系列DSP的Bootloader详解】实现过程、流程图与示例代码
C2000 Bootloader 的核心逻辑可概括为 “初始化→选模式→加载程序→校验→跳转” 五步。对于小白来说,无需纠结底层寄存器配置(驱动库已封装),重点理解 “启动流程” 和 “数据传输 + 校验” 的核心思想即可。 通过本文的流程图和示例代码,相信你已经掌握了 C2000 Bootloader 的核心原理。实际开发中,可基于 TI 提供的 Bootloader 示例(C2000Ware 中自带)进行修改,快速适配自己的硬件和应用场景。
2027-2029年最值得选择的Java毕业设计选题大全:1000个热门选题推荐✅✅✅
文章摘要 本文提供了一系列计算机科学与技术领域的毕业设计选题推荐,涵盖多个技术方向和应用场景,包括但不限于: 管理系统开发:如小区物业、办公设备、健身房会员、社区农产品直销等管理系统 数据分析与可视化:基于Python/Hadoop/Spark的购物中心流量分析、MOOC课程数据分析、电商评价分析等 小程序开发:校园公益互助、心理健康测评、政务服务便民等微信小程序 人工智能应用:基于深度学习/BERT模型的图书馆座位预约、舆情监测等智能系统 特色平台开发:民族手工艺品交易、校园二手书籍共享、猫咖管理等创新平
用Python实现辅助病案首页主诊断编码:从数据清洗到模型上线(上)
本文介绍了一个使用Python构建AI辅助病案首页主诊断编码系统的完整指南。文章从环境搭建开始,详细讲解了数据准备与清洗策略,包括数据格式标准化、文本清洗与脱敏处理等关键步骤。系统采用深度学习技术处理复杂的医疗文本,解决ICD编码面临的文本复杂性、专业性和数据不一致性等挑战。文中提供了完整的代码实现,涵盖数据预处理、敏感信息脱敏、文本分割等实用功能模块,帮助医疗机构构建可落地、可扩展的智能编码系统,提高编码准确性和工作效率。
深度学习工具包 DeepLearningToolbox
深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[](https://bitdeli.com/free "Bitdeli Badge")
基于数据驱动的人脸识别课题研究
摘要 人脸识别技术是指根据人脸的面部特征,对人脸进行识别,通 过人脸识别技术进行身份识别,是一种方便有效的方式,跟其他身 份识别方式相比,具有方便,不宜复制等优点。因此可以广泛用于 门禁识别,安防监控等领域。基于此需求,本文提出了人脸识别技术在住宅小区安全监测中的应用。人脸识别技术的核心问题是识别计算机的能力。它可以促进人工智能、模式识别和计算机视觉等相关领域的发展。它具有一定的理论意义。人脸识别...
TMS_WebGMaps_1.9.8.0_Full_Source
TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder
人脸识别(Face Recognition)简要综述
文章目录人脸识别在计算机视觉中的位置早期方法Face Recognition with Local Binary Patterns(【ECCV 2004】)LBP的feature map计算方法:除此以外LBP算子还有改进版本:LBP的特点从LBP的得到的“图片”到“向量”数据集一些较新的文章FaceNet(【CVPR 2015】)Finding Tiny Faces with GAN(【CVPR 2018】)Masked Face Recgonition with latent part(【ACM
Outlook Express 6 (OE6) for Win7/Win8/Win10
英文版 Outlook Express6.0, 兼容Win7/Win10/WinXP,解压就可用。
温度PID控制PLC程序
温度PID稳定控制程序,适用于欧姆龙PLC,对其他PLC也具有很大参考价值
人脸识别国内外现状及发展
分几个方面分别的论述一下人脸识别的技术和产业发展的相关状况。 第一,人脸识别技术的价值在哪里。我们把人脸作为一个生物学特征,作为一个商业化运用,只是备选的一个方案之一。生物学当中,唯一的判断的标准,其实识别从精准度的角度和不可替代的角度来讲,最精准的是虹膜,但是虹膜的识别采集成本非常高,识别的效率相对不是很高,需要等待的时间。所以这两个条件约束了整个的产业化运用只能局限在相对小众的,对识别要
人脸识别发展现状及发展前景
人脸识别发展现状人脸识别发展前景下面我们具体讲讲工业应用,在一篇文章哟,敬请期待~
科技云报道:“存算一体”是大模型AI芯片的破局关键?
大算力下的新需求
人脸识别技术
第1章绪 论 所谓人脸识别,是指对输入的人脸图像或者视频.判断其中是否存在人脸,如果存在人脸,则进一步给出每张人脸的位置、大小和各个主要面部器官的位置信息。并且依据这些信息,进一步提取每张人脸蕴含的身份特征,并将其与已知人脸库中的人脸进行对比,从而识别每张人脸的身份。人脸识别研究涉及的范围广泛,内容涉及模式识别、计算机视觉、图像处理、人工智能等方面。人脸识别还涉及到神经网络等学科,也和人脑的认识程度紧密相关。这诸多因素使得人脸识别成为一项极富挑战性的课题。 1.1人脸识别技术的
百度12篇论文被CVPR 2026录用
为了解决这一问题,我们提出了 PaddleOCR-VL,这是一种新颖的“由粗到精(Coarse-to-Fine)”架构,它专注于语义相关的关键区域,同时抑制冗余信息,从而同步提升解析效率与性能。在 OCR 任务中,PP-OCRv5以仅5M 的参数量(约为 Qwen3-VL-235B 的四万分之一),实现了与 GPT-4o、Qwen2-VL 等千亿级大模型相当的准确率(1-EditDist约为0.93),有力证明了 PP-OCRv5专用小模型在 OCR 任务上的巨大潜力。
【论文笔记】—人脸识别—FaceNet—2015-CVPR
题目:FaceNet: A Unified Embedding for Face Recognition and Clustering FaceNet用到了两个网络,分别是ZFNet和 GoogleNet(Inception V1)。FaceNet是直接利用triplet loss训练模型(输入图像,输出欧式空间中的)128维的特征向量,triplets是由来自于一人的两张人脸图像和来自于另一个人的第三张图像组成,训练的目的是来自于同一人的人脸对之间的欧式距离要远小于来自于不同人的人脸对之间的欧氏距离。 .
二、人脸识别发展状况(论文、综述用)
人脸识别实际上是一项起源较早的技术,但是在近期随着机器学习和深度学习理论逐渐发展、完善的过程中才得以焕发出新的生机。随着人工智能、大数据、云计算的技术创新幅度增大,技术更迭速度也随之加快,人脸识别作为人工智能的一项重要应用,随着这三辆“快车”的出现也随之发展,实现了大规模的“落地”。 2006年,深度信念网络的提出,深度学习作为机器学习的一个单独分支而独立出来,成为一个新的研究领域。深度学习叫传...
AMT-GAN 人脸对抗样本 CVPR2022
·最近,一些研究采用了对抗样本来保护照片不被未经授权的人脸识别系统识别。 ·然而,现有的生成敌对人脸图像的方法存在许多局限性,如视觉困难、白盒设置、可转移性弱,难以应用于保护人脸隐私。 ·在本文中,我们提出了adversarial makeup transfer GAN(AMT-GAN),这是一种新的人脸保护方法,旨在构建对抗的人脸图像,同时保持更强的黑盒可转移性和更好的视觉质量。 AMT-GAN利用GAN用参考人脸的转移的妆容,合成对抗人脸图像。 ·特别地,我们引入了一个新的正则化模块和一个联合训
1596
1757

被折叠的 条评论
为什么被折叠?



