midori的博客

DeepID(商汤科技) GaussianFace(科大讯飞) WebFace->Face++ (旷视科技) FaceNet（Google） 百度的人脸识别(大规模人脸搜索) VGG-Face（牛津大学VGG小组） FR+FCN SphereFace NormFace ArcFace MobileFaceNets ICCV 2017 CVPR 2018

S3FD: Single Shot Scale-invariant Face Detector 通过单个深度神经网络在各种面部表现上表现出色，特别是对于小脸 trick： 确保人脸的每一个像素都具有足够的检测功能，以应用于不同的面孔。 做法：anchor-associated 网络层的步长 从 4到 128 以2倍方式递增 通过anchor匹配策略提高小脸的召回率 通过max-out背景标签降低小脸的假正率 理解 网络结构 ...

1.人脸识别的瓶颈在于噪声 概要： 在不断增长的数据集规模和丰富的网络结构及损失函数的大背景下，仍然对label的噪音source和consequence的理解有限，对此论文做出了以下贡献： 在流行的大规模数据集 MegaFace 和 MS-Celeb1M 条件下，得到手动清洗的子集，分别是32%和20%，已经可以达到相当的性能；（？？？具体来讲） 清洗前，分析了标签噪音的属性/特性； 证明了使...

1.Range Loss for Deep Face Recognition with Long-Tailed Training Data，ICCV 2017，商汤科技 1. 概要： 长尾分布，举个例子说就是80%的财富掌握在20%的手里，尾巴的部分虽然掌握财富较少，但胜在数量多，对模型训练有很大的影响，而现有的做法大多是简单裁剪尾巴，只保留样本数量充足的类别。 本文的贡献： 研究长尾分布对人...

动机 在很多困难场景下, 如大姿态, 基于深度学习的人脸识别性能会下降很多. 但我们观察到,在这些困难场景下, 如大姿态, 人脸的属性信息(facial attribute)如性别, 人种, 发色, 眉毛形状等是保持不变的. 很自然地,深度人脸识别的特征(FRF)和属性识别的特征(FAF)具备互补性. 融合这两种特征可以提高人脸识别率. 我们尝试了现有的融合策略,表现令人难以满意. 我们提出一种基...

Finding Tiny Faces in the Wild with Generative Adversarial Network，CVPR 2018，Oral 论文链接 三个主要贡献： 新颖的端到端方式的人脸检测CNN网络结构，提出了super-resolution network（SRN）和 refinement network （RN）生成真实并且高分辨率的图像； 引入新的loss去...

DeepID1 ：Deep Learning Face Representation from Predicting 10,000 Classes 主要思想： 对一个训练样本来进行判断10000个类中的哪一个，训练一个softmax多元分类器，而不是一个二元分类器，提升了训练难度，利用神经网络的强学习能力，同时学习得到的特征具有一定的泛化能力，DeepID层只有160维，远远小于其分类类别，这...

1.S 3FD: Single Shot Scale-invariant Face Detecto 通过单个深度神经网络在各种面部表现上表现出色，特别是对于小脸 要点： 确保人脸的每一个像素都具有足够的检测功能，以应用于不同的面孔 通过anchor匹配策略提高小脸的召回率 通过max-out背景标签降低小脸的假正率 ...