人脸图像的应用领域想必所有做视觉算法的都不会陌生，所有的安防监控、几乎现在所有的在线身份认证、支付、考勤都需要用到人脸检测与人脸识别，人脸识别甚至被用于追逃疑犯，找寻失踪人口。
所有的在线直播平台，手机拍照软件，都会接入人脸美颜，各种各样的人脸特效。
虚拟主播在新闻部门上岗大家也已经习以为常了，以后我们会越来越多和虚拟人共存。
最新的人脸换脸等技术也被广泛应用于影视剧内容创作，如网络电视剧《风声》中周一围换脸赵立新。
人脸图像的研究和应用之广，本身就已经覆盖了大部分图像研究方向，在各类互联网公司的招聘中，也是被重点考察的内容。甚至许多的研究组、创业公司，就是专门做人脸方向。而纵观整个CV领域，做人脸算法的从业者却非常少，做得好的就更少了。
学好人脸算法，对于计算机视觉领域从业，自然是不会错的。我们公众号从一开始，就更新了很多人脸领域的相关技术文章，下面我们对其中的一些重点内容来进行简单的汇总。
人脸识别相关损失
人脸识别无疑仍然是当下人脸图像领域中影响力最大、应用最广、商业价值最高、成熟落地的方向。在2018年，我们总结了人脸识别算法中常用的优化目标，softmax loss以及它的变种，写了一篇《一文道尽softmax loss及其变种》的文章，后来被竞相转载与模仿。
softmax loss是我们最熟悉的loss之一，在图像分类和分割任务中都被广泛使用。Softmax loss是由softmax和交叉熵(cross-entropy loss)loss组合而成，所以全称是softmax with cross-entropy loss。原始的softmax loss非常优雅，简洁，被广泛用于分类问题。它的特点就是优化类间的距离非常棒，但是优化类内距离时比较弱。
鉴于此，就有了很多对softmax loss的改进，被广泛用于人脸识别领域。
原版的文章有些许错误编辑，大家可以去知乎搜索到修订后的总结版，或者直接去我的最新版《深度学习之人脸图像算法：理论与实践》书籍中补充阅读。
文章链接为：【技术综述】一文道尽softmax loss及其变种
PS：关于更多的人脸关键点检测，人脸识别模型相关的内容，没有在公众号进行分享，请大家直接阅读我的书籍。
人脸属性分析相关的综述
在2018年，我们总结了人脸属性分析相关的技术综述，内容覆盖人脸年龄、人脸表情、人脸颜值、人脸脸型等。
1、人脸年龄
简单地说，基于人脸图像的年龄估计是指机器根据面部图像推测出人的大概年龄或所属的年龄范围( 年龄段)，如下图就是年龄值的估计。
文章链接为：【技术综述】人脸年龄估计研究现状
2、人脸颜值
所谓“颜值”，就是根据大众的认知来对人脸的美丽程度进行评分。可即使人来打分，大家也口味各异，御姐萝莉各有所爱。计算机又如何判断人的美丑呢？感兴趣不如看看。
文章链接为：【技术综述】人脸颜值研究综述
3、人脸脸型
人脸脸型分类就是算法根据一张包含面部的照片推测出人脸属于那种脸型，是人人都爱的瓜子脸还是有正义感的国字脸(也就是方形脸)或者其他常见的脸型，如圆脸、方脸等等。脸型的识别可用于装饰推荐，心理学等领域。
文章链接为：【技术综述】人脸脸型分类研究现状
4、人脸表情
人脸表情识别(facialexpression recognition, FER)作为人脸识别技术中的一个重要组成部分，近年来在人机交互、安全、机器人制造、自动化、医疗、通信和驾驶领域得到了广泛的关注，成为学术界和工业界的研究热点。我们对表情识别的相关内容做了一个较为详细的综述。
文章链接为：【技术综述】人脸表情识别研究
另外，为了讲述更多表情识别相关的内容细节，我们开设了人脸表情识别的相关专栏，请阅读：
【人脸表情识别】基于图片的人脸表情识别，基本概念和数据集
【人脸表情识别】如何做好表情识别任务的图片预处理工作
【人脸表情识别】不得不读的重要论文推荐（2015-2018篇）
【人脸表情识别】不得不读的重要论文推荐（2019-2020篇）
【人脸表情识别】基于视频的人脸表情识别数据集与基本方法
【人脸表情识别】基于视频的人脸表情识别不得不读的论文
【人脸表情识别】基于回归模型的人脸表情识别方法
【人脸表情识别】情绪识别相关会议、比赛汇总（2018-2020）
人脸数据集
人脸图像是计算机视觉领域中研究历史最久，也是应用最广泛的图像。从人脸检测、人脸识别、人脸的年龄表情等属性识别，到人脸的三维重建等，都有非常多的数据集被不断地整理提出，极大地促进了该领域的发展。
我们从人脸检测、关键点检测、人脸识别、人脸属性分析、人脸姿态与3D，人脸活体与伪造，人脸风格化等几个方向来给大家做了非常详细的汇总介绍。
文章链接为：【总结】最全1.5万字长文解读7大方向人脸数据集v2.0版，搞计算机视觉怎能不懂人脸
每周论文推荐
每周论文推荐是我们的一个技术专栏，专注于给大家推荐同一主题的经典系列文章，以便大家可以进行系统性地学习。
在人脸方向，我们推荐了绝大部分重要领域里值得初学者阅读学习的资料，包括人脸检测，人脸关键点检测，人脸活体检测与伪造人脸检测，人脸属性分析，单张图像三维人脸重建，人脸识别和验证，人脸识别难题之遮挡、年龄、姿态、妆造到亲属关系、人脸攻击，换脸算法等方向。
【每周CV论文推荐】 深度学习人脸检测入门必读文章
【每周CV论文推荐】 初学深度学习人脸关键点检测必读文章
【每周CV论文推荐】 初学深度学习人脸识别和验证必读文章
【每周CV论文推荐】 初学深度学习人脸属性分析必读的文章
【每周CV论文推荐】 初学活体检测与伪造人脸检测必读的文章
【每周CV论文推荐】 初学深度学习单张图像三维人脸重建需要读的文章
【每周CV论文推荐】 人脸识别剩下的难题：从遮挡，年龄，姿态，妆造到亲属关系，人脸攻击
【每周CV论文推荐】换脸算法都有哪些经典的思路？
【每周CV论文推荐】初学人脸属性编辑都有哪些值得阅读的论文？
人脸风格化
所谓人脸风格化，就是将人脸头像转换为特定的风格头像，最常见的包括素描肖像风格，卡通形象(动画)风格，油画风格，人脸风格化已经成为了一个非常热门的研究领域和应用方向。
文章链接为：【技术综述】人脸风格化核心技术与数据集总结
人脸妆造迁移
美颜和美妆是人脸中很常见的技术，在网络直播以及平常的社交生活中都有很多应用场景。常见的如磨皮，美白，塑形等美颜技术我们已经比较熟悉了。而所谓妆造迁移算法，指的是将一张人像的妆容迁移到任意一张人像照片中，这是美颜算法中比较复杂的技术，示意图如下。
文章链接为：【技术综述】人脸妆造迁移核心技术总结
3DMM三维人脸重建
基于图像的人脸三维重建在人脸分析与娱乐领域里有巨大的应用场景，同时它也可以用于提升人脸关键点检测，人脸识别，人脸编辑等很多任务。我们给大家重点介绍了其中基于3DMM模型的核心技术及其研究进展。
文章链接为：【技术综述】基于3DMM的三维人脸重建技术总结
人脸编辑
人脸属性编辑是一个很广的应用领域，不仅可以用于辅助其他诸如人脸识别等相关的任务，也可以独立成若干新的任务，在人机交互，娱乐社交领域有广泛应用，我们简单介绍了其中核心算法以及如何深入学习。
文章链接为：【技术综述】人脸算法新热点，人脸编辑都有哪些方向，如何学习
其他文章
其他还有一些杂谈类的文章，比如GAN在人脸各个方向的应用等，不再一一介绍，可阅读如下：
深度学习之人脸图像处理算法
除了以上技术文章，我们在2020年还出版了书籍《深度学习之人脸图像处理：核心算法与案例实践》，这是一本讲述在人脸各个方向中的深度学习算法的书籍。
书中各章节内容如下：
第1章 人脸图像和特征基础
第2章 深度学习基础
第3章 人脸数据集
第4章 人脸检测
第5章 人脸关键点检测
第6章 人脸识别
第7章 人脸属性识别
第8章 人脸属性分割
第9章 人脸美颜和美妆
第10章 人脸三维重建
第11章 人脸属性编辑
文章链接为：言有三新书来袭，业界首次深入全面讲解深度学习人脸图像算法
有三AI知识星球-人脸板块
有三AI知识星球是我们的图文资料社区，内有网络结构1000变，数据集等重要板块。星球是我们的付费图文社区，里面的内容是公众号和书籍内容的升级，自然会包含大量人脸相关的内容，下面是一个简单的汇总图。
可以从两个方面来看：
(1) 一个是数据集。里面存着几十个人脸相关的数据集介绍以及下载链接。
(2) 人脸各个方向的模型解读。包括人脸识别，人脸重建，人脸美颜与风格化，人脸超分辨，人脸表情、年龄、姿态等属性编辑，人脸换脸算法与驱动等。
这里的很多东西在书上是没有的，因为相关领域发展比较新，比如跨域的人脸识别，伪造的人脸检测，通用的人脸属性编辑等内容，需要大家在人脸领域本身有一定的基础才看得懂。因此，这些内容都会采取在知识星球动态更新的方式。
人脸相关视频课
从去年下半年开始，我们重点推出视频类课程，其中出了许多人脸相关的视频课，下面是对已有课程的简单汇总。
介绍可阅读：【视频课】13小时+4大项目掌握深度学习人脸图像检测与识别
介绍可阅读：【项目实战课】基于Pytorch的StyleGAN人脸属性（表情、年龄、性别）编辑实战
介绍可阅读：【项目实战课】基于Pytorch的StyleGAN v1人脸图像生成实战
介绍可阅读：【项目实战课】基于Pytorch的StarGAN人脸表情编辑实战
介绍可阅读：【项目实战课】基于Pytorch的UGATIT人脸动漫风格化实战
介绍可阅读：【项目实战课】基于Pytorch的BeautyGAN人脸智能美妆实战
介绍可阅读：【项目实战课】基于Pytorch的RetinaFace人脸与关键点检测实战
介绍可阅读：【项目实战课】基于Pytorch的PFLD人脸关键点检测实战
介绍可阅读：【项目实战课】基于Pytorch的MTCNN与Centerloss人脸识别实战
介绍可阅读：【CV秋季划】人脸算法那么多，如何循序渐进地学习好？
最后，欢迎大家来我们平台投稿原创的技术专栏，申请开设相关实战类课程。
转载文章请后台联系
侵权必究
1万+
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
