基于深度学习的端到端人脸识别技术：全面调研

最新推荐文章于 2025-06-12 12:11:22 发布
最新推荐文章于 2025-06-12 12:11:22 发布
阅读量1.3k 收藏 15
点赞数
CC 4.0 BY-SA版权
原文链接：https://zhuanlan.zhihu.com/p/268904950
本文全面介绍了端到端深度学习人脸识别技术的发展，包括人脸检测、预处理及表征等关键技术环节。覆盖了最新算法设计、评估指标、数据集及性能比较等内容。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

44页，共计371篇参考文献。本文全面介绍了端到端深度学习人脸识别技术，包括人脸检测，人脸预处理和人脸表征等方向，详细介绍了最新的算法设计，评估指标，数据集，性能比较等。

The Elements of End-to-end Deep Face Recognition: A Survey of Recent Advances

论文： The Elements of End-to-end Deep Face Recognition: A Survey of Recent Advances
作者单位：上海大学, 京东AI研究院

注：如果上述论文链接无法访问，可以看文末，论文已上传至百度云，方便下载。

人脸识别是计算机视觉社区中最基本和长期存在的主题之一。随着深度卷积神经网络和大规模数据集的最新发展，深度人脸识别取得了显著进展，并已广泛应用于现实应用中。给定自然图像或视频帧作为输入，端到端深度人脸识别系统将输出脸部特征以进行识别。

2013年-2020年7月 深度学习人脸识别论文数量

为此，整个系统通常由三个关键要素构成：人脸检测，人脸预处理和人脸表征。

人脸检测可定位图像或帧中的人脸。然后，进行人脸预处理以将人脸校准为标准视图，并将其裁剪为归一化的像素大小。最后，在人脸表征阶段，从经过预处理的人脸中提取判别特征进行识别。这三个要素都由深度卷积神经网络实现。

在本文中，由于蓬勃发展的深度学习技术极大地提高了它们的能力，因此我们对端到端深度人脸识别的每个元素的最新进展进行了全面的调查。

首先，我们介绍了端到端深度人脸识别的概述，如上所述，它包括人脸检测，人脸预处理和人脸表示。

然后，我们分别回顾了基于深度学习的每个元素的进展，涵盖了许多方面，例如最新的算法设计，评估指标，数据集，性能比较，存在的挑战以及有希望的未来研究方向。

人脸检测

具有代表性的人脸检测算法路线图：

速度接近实时的人脸检测器

人脸检测数据集：

人脸预处理

具有代表性的人脸预处理方法路线图：

人脸预处理方法分类：

人脸关键点数据集

人脸表示/表征

人脸表示方法的分类：

在LFW、MegaFace上的性能比较

我们希望这项调研能够为我们带来有益的想法，以便更好地了解端到端人脸识别的概况并以系统的方式进行更深入的探索。

论文下载

链接： https://pan.baidu.com/s/1ceCdUWc5Au5tCyTjV0iyzg
提取码：cver

强烈推荐大家关注CVer知乎账号和CVer微信公众号，可以快速了解到最新优质的CV论文。

推荐阅读

TBC：共享Thinner Filters，实现更强的CNN！

综述 | 行人检测技术（从手工特征到深度学习）：全面调研

超越EfficientNets！无需注意力，也能让你的网络更快更强！

OpenCV 4.5来了！更强的SIFT，改进RANSAC算法，新增目标跟踪网络SiamRPN++

综述 | 基于深度学习的实时语义分割方法：全面调研

涨点神器！南航提出AFF：注意力特征融合

NeurIPS 2020 | 谷歌大脑提出：重新思考预训练和自训练

NeurIPS 2020 | 用于图像复原/恢复的神经稀疏表示

NeurIPS 2020 | aLRPLoss：统一目标检测中的分类和定位的平衡损失函数

ECCV 2020 | MIRNet：学习丰富的特征以进行真实图像修复和增强

CCE：具有互补交叉熵的不平衡图像分类

谷歌地标检索2020 Kaggle 第一名解决方案

ECCV AIM 2020 真实图像超分辨率挑战赛3项冠军解决方案

LVIS 实例分割挑战赛2020的第一名解决方案：好的Box不能保证好的Mask

ETH Zurich提出DPIR：具有Denoiser先验的即插即用图像恢复

IR R-CNN：小目标检测的内在关系推理

综述 | 人脸图像质量评估：全面调研（2004-2020）

MAFFSRN：具有多注意力层的超轻量级图像超分辨率

冠军解决方案 | RMGL：用于行人重识别的感受野多粒度表示

VarifocalNet：IoU-aware 密集目标检测器（已开源）

ECCV 2020 | NAS-DIP：通过NAS实现DIP（去噪/去雾/超分辨率/修复等）

TIP 2020 | PNEN：金字塔Non-Local增强型网络

综述 | 小样本学习：全面调研（Few-shot）

MiCo：用于半监督域自适应的Mixup联合训练

使用深度神经网络从Noisy Labels中学习：全面调研

PyTorch3D：面向3D计算机视觉的PyTorch工具箱

剪枝filter？还是剪枝layer？这是个问题

牛津大学VGG组提出：自监督实例自适应的单目深度估计

ECCV 2020 | WeightNet：重新探索Weight网络的设计空间

Mask TextSpotter v3：用于场景文字检测和识别的分割Proposal网络

ECCV 2020 | URIE：用于视觉识别的通用图像增强

ECCV 2020 | 魔鬼在细节中：车辆重识别的自监督注意力（SAVER）

ECCV 2020 | 53.5 AP！PAA：用于目标检测的IoU预测的概率Anchor分配

ECCV 2020 | 南京理工提出FPT：特征金字塔Transformer

ECCV 2020 | 长尾数据集中多标签分类的分布平衡损失

清华大学提出ISDA：使用语义数据增广来正则化深度网络

ECCV 2020 | BMask R-CNN：边界保持的Mask R-CNN

ECCV 2020 | 即插即用！PSConv：将特征金字塔压缩到紧凑的多尺度卷积层中

ECCV 2020 | STTN：用于视频修复的时空联合Transformer

ECCV 2020 | LiteFlowNet3：实现更准确的光流估计

 

发布于 14 小时前

基于深度学习的人脸识别技术
AI天才研究院
09-04 2628
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
深度学习系列资料总结
专注大数据与人工智能技术分享，欢迎私信加群互相学习！
07-17 2万+
说明本系列深度学习资料集合包含机器学习、深度学习等各系列教程，主要以计算机视觉资料为主，包括图像识别、分类、检测、分割等，内容参考Github及网络资源，仅供个人学习。深度学习定义一般是指通过训练多层网络结构对未知数据进行分类或回归深度学习分类有监督学习方法——深度前馈网络、卷积神经网络、循环神经网络等；无监督学习方法——深度信念网、深度玻尔兹曼机，深度自编码器等。手写机器学习笔记github机器学习算法公式推导以及numpy实现github人工智能相关术语link。..................
基于深度学习的人脸识别系统
03-13
基于QT实现的人脸识别系统，基于caffe框架C++实现，人脸检测部分使用MTCNN算法实现，识别部分用Seetaface里的Identification，Qt实现界面开发，使用MySQL数据库。
论文总结2-The Elements of End-to-end Deep Face Recognition: A Survey of Recent Advances
瞎BB的博客
10-25 815
论文题目： The Elements of End-to-end Deep Face Recognition: A Survey of Recent Advances 论文链接： https://arxiv.org/pdf/2009.13290.pdf 摘要：关于人脸识别的最新进展综述，从三个方面详细介绍了整个识别系统各个模块：人脸检测、人脸图像预处理、人脸表示。阐述每一块技术的最新进展，包括最新算法设计、评价标准、数据集、性能比较、存在的挑战和前景广阔的研究进展。 人脸检测(在图像中框.
深度学习在人脸识别中的应用详解
最新发布
weixin_36204513的博客
06-12 1032
人脸识别作为生物特征识别技术的重要分支，在安全验证、智能监控和人机交互等领域展现出巨大的应用价值。本章将对人脸识别技术的发展历程、当前的研究动态以及面临的挑战进行简要概述。人脸特征提取指的是从人脸图像中提取出能够代表个体差异的特征，这些特征可以是局部的，如眼睛、鼻子、嘴巴的形状和位置，也可以是全局的，如人脸的轮廓和纹理。提取出的特征用于后续的比较和识别过程，是提升系统准确率和效率的核心环节。
基于CNN的人脸识别
帝欣飘逸的博客
01-28 1万+
前些日子读了一篇关于人脸识别的文章，age and gender classificiation using convolutional neural networks，这是一篇发表在cvpr2015的一篇文章，文章写得很好，条理清晰，逻辑性强，非常适合深度学习者学习，在这里特别做一个相关笔记。 当然，我也尝试着去实现这篇论文，文章中说到要用adience benchmark人脸数据库，我上网上
深度学习的人脸识别
piaoyu94的博客
12-16 5480
深度学习的人脸识别 http://www.jianshu.com/p/27b0b4a12d89
深度探讨人脸表情识别技术的最新进展
随着深度学习技术的发展，基于深度神经网络的分类方法，例如基于卷积神经网络（CNN）的端到端学习模型，已成为表情分类的主流技术。 ### 应用场景 人脸表情识别技术的应用场景十分广泛： - **安全验证**：通过...
吴恩达《深度学习专项》笔记（九）：错误分析、数据集匹配、多任务学习、端到端学习
a119334的博客
07-24 685
错误分析用表格做错误分析统计错标数据数据不匹配何时使用数据分布不同的训练集和开发/测试集训练开发集如何诊断数据不匹配问题完成多个任务迁移学习的定义与常见做法预训练、微调多任务学习的定义多个二分类任务迁移学习与多任务学习的优劣、使用场景端到端深度学习认识端到端学习的例子何时使用端到端学习和上周一样，这周的知识都是一些只需要了解的概念，没有什么很复杂的公式。大家可以较为轻松地看完这周的内容。另外，这周也没有官方的编程作业。httpshttps。...
2025年 课程设计 机器学习&深度学习实战案例,含有python代码和教程 (4月10日已更新1179篇)
sybh的博客
10-05 8901
10月促销价99.9,适合初学python机器学习深度学习的学生,从入门到精通,专栏内含有讲解,每篇文章都含有对应的代码,会持续更新,更新至千篇案例,已经更新六百多个项。
基于深度学习的3D分割综述
whaosoft143ai的博客
11-04 1351
搬来个厉害的涉及RGB-D/点云/体素/多目 希望早点有时间能系统的学到用到~~~3D目标分割是计算机视觉中的一个基本且具有挑战性的问题，在自动驾驶、机器人、增强现实和医学图像分析等领域有着广泛的应用。它受到了计算机视觉、图形和机器学习社区的极大关注。传统上，3D分割是用人工设计的特征和工程方法进行的，这些方法精度较差，也无法推广到大规模数据上。在2D计算机视觉巨大成功的推动下，深度学习技术最近也成为3D分割任务的首选。近年来已涌现出大量相关工作，并且已经在不同的基准数据集上进行了评估。
基于深度学习的人脸识别
04-28
人脸识别基于神经网络的完整工程代码，包括get_my_face,other_faces，is_my_face,train_model，搭建好环境就能用。
基于深度学习人脸识别
02-09
人脸识别依赖于深度学习，识别率高达99.15%，值得学习。
基于深度学习的人脸识别研究
07-09
采用一种基于深度学习的人脸识别系统，通过逐层预训练的方法训练网络的初始权值，随后再精调网络，可使网络达到全局最优，避免网络模型陷入局部最优。
基于深度学习的人脸识别算法
热门推荐
南有乔木NTU的博客
12-14 3万+
基于深度学习的人脸识别算法简介Contrastive LossTriplet LossCenter LossA-Softmax Loss参考文献： 简介 我们经常能从电影中看到各种神奇的人脸识别技术，例如图1。人脸识别技术是基于面部特征信息进行身份识别的一种生物识别技术。该技术在图片/视频中，从人脸的角度入手，识别出画面中的人物是谁。如图2所示，严格来讲，这个过程包括人脸检测 (face d...
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