cvpr 2019--人脸聚类

最新推荐文章于 2025-06-18 17:44:56 发布
原创 最新推荐文章于 2025-06-18 17:44:56 发布 · 2.3k 阅读 · 3 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#人脸聚类-2019

本文聚焦于CVPR2019中两篇关于人脸聚类的论文，介绍使用图卷积网络解决人脸聚类挑战的方法，包括不同光照、角度及年龄变化的影响，以及评估聚类效果的F-score和NMI指标。

cvpr 2019 有两篇文章是关于人脸聚类的

1.learning to Cluster Faces on an affinity Graph

链接：https://arxiv.org/pdf/1904.02749.pdf

2. Linkage Based Face Clustering via Graph Convolution Network
https://arxiv.org/pdf/1903.11306.pdf

这两篇都是用Graph Convolution Network 来聚类人脸。

首先我们明确在人脸聚类的问题：

A. 一个人会因为年龄跨度大、角度、光线等情况，（比如一个人自己的正脸与侧脸的相似度的得分其实就比较低）

B. 孤立点，聚类得到的人脸文件夹很多都是一个人脸

孤立点我们用程序去除。--暂时不在我们考虑的范围之内

那么这两篇文章都是为了解决尽量把一个人聚类到一个文件夹下的问题。

人脸聚类的两个评价指标：

F-score 和 NMI 

A.NMI (normalized mutual inofrmation)


B. F-score 的定义

 

 

 

 

 

 

 

 

 

 

jinggegebuaa
关注
人脸图像聚类及TSNE可视化分析
code88888的博客
09-07 542
通过对人脸图像数据集应用K均值聚类算法，我们可以将相似的人脸图像分组到同一类别中。可以使用一些开源的人脸图像数据集，比如LFW(Labeled Faces in the Wild)数据集，其中包含了一些名人的人脸图像。人脸图像聚类是一种在计算机视觉领域中常见的任务，它的目标是将相似的人脸图像分组到同一类别中。在本文中，我们将使用Python编程语言来实现人脸图像聚类，并使用TSNE算法对聚类结果进行可视化分析。通过运行这段代码，你将得到一个散点图，每个点代表一个人脸图像，颜色表示该图像所属的聚类。
Python实战：使用Python进行Faces聚类
oandy0的博客
04-06 869
本文详细介绍了如何使用 Python 进行 Faces 聚类。通过学习基础的图像处理、机器学习等核心知识，并掌握自定义聚类算法、图像特征提取等功能，现在可以灵活运用 Python 实现一个完整的 Faces 聚类系统。我们还介绍了 Faces 聚类的使用场景，以及如何根据实际需求进行定制。
人脸聚类框架(Face Cluster Framework)
qq_42189083的博客
12-01 6606
Face Cluster Framework (人脸聚类框架) English Version | 中文版 Intorduction 一个人脸图片聚类框架 对于给定的大量待聚类人脸图片，利用人脸特征抽取组件(face_feature_extract)进行人脸特征抽取，并对用抽取的人脸特征进行人脸聚类并进行图片归档。 采用的人脸聚类算法较当前主流人脸聚类算法效果更优，具体测评效果详见人脸聚类 Cluster Result 输入数据： 部分聚类效果： Requirements Pytho
python相册中的人脸聚类_Dlib-人脸聚类
weixin_40007016的博客
12-10 681
人脸聚类人脸聚类属于无监督学习. 当你有许多未标记的待分类的照片时, 使用人脸聚类是非常有用的. 其 python 脚本位于 /python_examples/face_clustering.py.待分类目录下有两张神仙的肖像和两张观海的肖像, 使用如下代码可以将神仙和观海分开.import osimport sysimport dlibimport skimage.drawimport skim...
人脸聚类-2020 CVPR Learning to Cluster Faces via Confidence and Connectivity Estimation
qq_42189083的博客
11-25 2983
论文链接 Abstract：人脸聚类是挖掘未标记人脸的一个主要方法，在人脸标注和检索等方面有着广泛的应用。最近研究表明，有监督聚类可以显著提高性能。然而，它们通常包含启发式步骤，并且需要大量重叠的子图，这严重限制了准确性和效率。本文提出了一个不需要大量重叠子图的、完全可学习聚类框架。我们将聚类问题转化为两个子问题，具体来说，是两类图卷积网络：GCN-V与GCN-E，GCN-V是用来估计顶点的置信度，GCN-E是用来估计边的连接度。通过顶点的置信度与边的连接度，我们可以自然地组织更多的相关顶点，并将它们组合
照片人脸识别聚类
rainwell的博客
08-29 1731
SeetaFaceEngine             人脸检测、对齐、识别，C++库jsoncpp           json C++库hiredis             redis C++库 onioncpp         onion C++库cmake             跨平台编译工具
人脸聚类--最好的防御是进攻
keyanxiaocaicai的专栏
12-26 1154
http://blog.youkuaiyun.com/u011808673/article/details/78644485/ 数据清洗： 1.先训练一个模型 预测一下    得分高 并且类别对的，挑出来    训一个模型，在在原数据集上训练 2.最好的防御是进攻
CVPR 2019 论文大盘点-人脸技术篇
OpenCV中文网
10-22 1028
CV君今天盘点了 CVPR 2019 所有人脸相关论文，总计51篇，其中研究人脸重建与识别的论文最多，人脸识别中新Loss的设计有好几篇，人脸表情分析也不少，检测和对齐相对很少了。这些论...
深入理解CVPR 2019论文 Linkage Based Face Clustering via Graph Convolution Network基于图卷积的人脸聚类
I'm not perfect, but I keep trying.
10-16 2421
论文的翻译可以参考这篇博客 CVPR 2019 Linkage Based Face Clustering via Graph Convolution Network论文翻译 接下来是我的一些拙见。 1.解决的问题 该工作要解决的问题是人脸特征分布复杂情况下的人脸聚类任务。受遮挡、光照等因素的影响，人脸特征的分布复杂，会面临两个难题：1）预先假设数据分布的方法不再适用，例如K-Means聚类方法（...
GCN实现人脸聚类
silence2015的专栏
10-21 4486
首先介绍一下GCN实现人脸聚类这篇论文，然后记录一下作者开源代码的阅读心得（代码写的很nice！） Learning to Cluster Faces via Confifidence and Connectivity Estimation CVPR2020 一图胜千言，图2即作者提出的GCN网络来实现人脸聚类的全流程，其实本文的重点不在于GCN模型的构建，而是一种GCN思想在人脸聚类上的应用。GCN实现人脸聚类主要分为四个部分：图的构建，GCN-V实现节点置信度预测，GVN-E实现边连接预测，通过基于
人脸聚类方法集合
左手coding，右手cooking
01-13 1379
人脸聚类框架(Face Cluster Framework)_Mr_不想起床的博客-优快云博客_人脸聚类算法 一种无监督人脸聚类方法(SOTA效果)_Mr_不想起床的博客-优快云博客_无监督图像聚类 人脸聚类-2020 CVPR Learning to Cluster Faces via Confidence and Connectivity Estimation_Mr_不想起床的博客-优快云博客_人脸聚类是什么意思 ...
人脸聚类Learning to Cluster Faces（翻译）
biyesheji1000的专栏
11-08 1936
内容来源：https://github.com/yl-1993/learn-to-cluster 一、介绍 Learning to Cluster Faces This repo provides an official implementation for [1, 2] and a re-implementation of [3]. 这个 repo 提供了 [1, 2] 的官方实现和 [3] 的复现。 二、涉及文章Paper Learning to Cluster Faces on an Af
sklearn-kmeans 人脸图像聚类
12-21
人脸图像聚类 题目 对给定人脸图像数据集，可视化并输出聚类性能。 ２.代码（该代码由某位大佬完成，我仅仅搬运，帮助更多的人） from sklearn.cluster import KMeans import matplotlib.pyplot as plt import matplotlib.image as imgplt import numpy as np from sklearn.metrics import normalized_mutual_info_score,adjusted_rand_score import os import pandas as pd from sklea
基于Chinese+Whispers的人脸动态聚类.pdf
04-12
基于Chinese+Whispers的人脸动态聚类
人脸数据库用于聚类分析
03-28
该人脸数据库用于人脸识别，聚类分析，图像处理等问题
人脸聚类算法讲解（含原论文）
04-24
Abstract—Clustering face images according to their latent identity has two important applications: (i) grouping a collection of face images when no external labels are associated with images, and (ii) indexing for efficient large scale face retrieval. The clustering problem is composed of two key parts: representation and similarity metric for face images, and choice of the partition algorithm. We first propose a representation based on ResNet, which has been shown to perform very well in image classification problems. Given this representation, we design a clustering algorithm, Conditional Pairwise Clustering (ConPaC), which directly estimates the adjacency matrix only based on the similarities between face images. This allows a dynamic selection of number of clusters and retains pairwise similarities between faces. ConPaC formulates the clustering problem as a Conditional Random Field (CRF) model and uses Loopy Belief Propagation to find an approximate solution for maximizing the posterior probability of the adjacency matrix. Experimental results on two benchmark face datasets (LFW and IJB-B) show that ConPaC outperforms well known clustering algorithms such as k-means, spectral clustering and approximate Rank-order. Additionally, our algorithm can naturally incorporate pairwise constraints to work in a semi-supervised way that leads to improved clustering performance. We also propose an k-NN variant of ConPaC, which has a linear time complexity given a k-NN graph, suitable for large datasets. Index Terms—face clustering, face representation, Conditional Random Fields, pairwise constraints, semi-supervised clustering.
python相册中的人脸聚类_基于infomap的人脸聚类
weixin_39879522的博客
12-10 785
Learning to Cluster Faces by InfomapIntorduction采用了无监督方法infomap进行人脸聚类 ，在公开数据集上MS-Celeb-1M、YouTube-Faces、DeepFashion获得较当前主流方法(如GCN人脸聚类等监督方法)同等或更优的效果. 通过faiss加速邻接边的构建，提高聚类速度，单批百万数据聚类仅需几分钟. 效果及性能测试详见下表.I...
基于InsightFace和DBSCAN的智能人脸聚类系统实现(含代码）
最新发布
lvchao7758520的博客
06-18 718
采用InsightFace进行人脸特征提取，结合DBSCAN聚类算法实现人脸自动分类。系统包含FTP下载、特征提取、聚类分析和可视化报告等模块，支持增量处理和断点续传。
python dlib学习（九）：人脸聚类
热门推荐
hongbin_xu的博客
11-22 1万+
前言前面的博客介绍过使用dlib进行人脸检测、比对、检测特征点等等操作。 python dlib学习（一）：人脸检测 python dlib学习（二）：人脸特征点标定 python dlib学习（五）：比对人脸 这次再将那些操作综合一下，进行人脸聚类。识别图片中的人脸，并分类。这里使用的是聚类，属于无监督学习。这里对每个人脸的区分与比对人脸中原理相同，将人脸映射到128D的空间中，计算彼此之
2009年计算机视觉与模式识别会议(CVPR)最佳论文
3. 实际应用案例分析：该年度的最佳论文还可能包含了某个具体的应用案例研究，展示如何将先进的计算机视觉技术应用于实际问题，如自动驾驶、医疗影像分析、人脸识别、视频监控、机器人视觉导航等领域。 4. 数据集和...
评论
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