专栏首页计算机视觉战队人脸识别 | 基于深度学习以人类为中心的图像理解

人脸识别 | 基于深度学习以人类为中心的图像理解

今天和大家说的是关于人脸识别人类部件解析。下面先给大家展示下具体背景及效果图,然后我们开始展开讲解。

在现实生活中,可以通过很多路径产生图像,比如以上的所有设备,都可以迅速以及实时的采集图像,所以现实中图像数据最为常见,所以针对人脸识别有一个比较好的优势,就是可以通过一些设备进行监查,时刻在手机数据样本,增加设计框架的泛化性能。

今天主要讲解的框架如下:

那我们先说说Face Recognition!根据最近几年的框架开始展开讲解:

01

3D-Aided Dual-Agent GANs forUnconstrained Face Recognition

主要提出一种Dual-Agent生成对抗网络(DA-GaN)模型,该模型能够提高真实人脸仿真器输出的真实感,同时在真实感细化过程中保留身份信息。Dual-Agent是专为区分真伪和身份而设计的。特别是使用现成的三维人脸模型作为模拟器来生成不同姿态的轮廓人脸图像,Da-GAN利用FCN作为发生器,利用自动编码器作为Dual-Agent的判别器,除了新的结构外,还对标准GAN进行了几个关键的修改,以保持姿态和纹理,保持身份和稳定训练过程:(1)姿态感知损失;(2)身份感知损失;(3)具有边界平衡正则项的对抗性损失。此外,所提出的DA-GAN也是一种更有效地解决通用迁移学习问题的新方法。

Keywords: UnconstrainedFaceRecognition;FaceSynthesis;3DFaceModel;GenerativeAdversarial Networks

02

Towards Pose Invariant FaceRecognition in the Wild

在人脸识别中,影响准确率的一个比较重要的因素是姿态的多样性。放眼目前的人脸识别技术,有两种方法为主流方向,一种是直接提取不同姿态的人脸特征,另一种就是再提取特征之前,现将人脸摆正。

本文方法可以将两种方法联合起来使用,最终二者相互影响,实现准确率的提升。提出了一种Pose Invariant Model (PIM)的方法来识别自然场景的人脸。

本方法有三个新颖之处:

1、PIM是一个新奇统一的深度框架包括了 人脸摆正(Face Frontalization sub-Net, FFN)和一个特征学习(Discriminative Learning sub-NetDLN);

2、FFN是一个设计好的双通道的GAN网络来同时感知全局和局部的细节;

3、DLN是一个人脸识别的中通用的CNN,利用enforced交叉熵来优化网络。

主要用一下案例讲解:

Winner:CVPR2017 LIP Human ParsingChallenge

提出了一种用于人体解析的自监督神经聚合网络(SSNAN)。SSNAN自适应地学习在每个像素“address”上聚合多尺度特征。为了进一步提高特征识别能力,在不需要额外监督的情况下,采用自监督的联合损失作为辅助学习策略,将人的联合结构引入到分析结果中。提出的SSNAN是端到端可训练的,SSNAN可以集成到任何先进的神经网络中,以帮助在不同的位置和尺度上聚集关于重要性的特征,并从全局的角度整合关于人类关节结构的丰富的高级知识,从而提高解析结果。

最后再说说这个领域的未来工作吧!

Face

  • 验证和识别:无约束(如姿态、年龄、化妆、表情、模糊等)/大规模/低命中人脸识别
  • 视频监视、安全场景(例如,防、活性检测等)、Mobile、人机交互分析与多人分析:自上而下、多任务学习方法OE-商业、群体行为分析、人-再识别、图像编辑、视频监控、自主驾驶、虚拟现实

Human

  • 人类分析和多人分析:自上而下和自下而上,多任务学习方法
  • E-Commercial,群体行为分析,行人-再识别,图像编辑,视频监视,自主驾驶,虚拟现实

本文分享自微信公众号 - 计算机视觉战队(ComputerVisionGzq),作者:Edison_G

原文出处及转载信息见文内详细说明,如有侵权,请联系 yunjia_community@tencent.com 删除。

原始发表时间:2019-03-17

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

我来说两句

0 条评论
登录 后参与评论

相关文章

  • 局部人脸识别的动态特征匹配(文末附文章及源码地址)

    【导读】该文章被Trans收录。无约束环境下的局部人脸识别(PFR)是一项非常重要的任务,尤其是在视频监控和移动设备等由于遮挡、视野外、大视角等原因容易捕捉到局...

    计算机视觉研究院
  • 深度学习超参数简单理解

    首先谢谢读者的指正,现在已经把所有遮挡的都处理完毕,谢谢您们的指正,谢谢! ---- 正文: 说到这些参数就会想到Stochastic Gra...

    计算机视觉研究院
  • 深度学习超参数简单理解

    说到这些参数就会想到Stochastic Gradient Descent (SGD)!其实这些参数在caffe.proto中 对caffe网络中出现的各项参数...

    计算机视觉研究院
  • 机器学习算法的开源可视化工具: MLDemos

    MLDemos 是一种用于机器学习算法的开源可视化工具,用于帮助研究和理解多个算法如何运作以及它们的参数如何影响和修改分类,回归,聚类,降维,动态系统和强化学习...

    iOSDevLog
  • 人脸识别简史与近期进展

    自动人脸识别的经典流程分为三个步骤:人脸检测、面部特征点定位(又称Face Alignment人脸对齐)、特征提取与分类器设计。一般而言,狭义的人脸识别指的...

    智能算法
  • Range Proofs综述

    范围证明是经常用到的一个密码学工具。为了了解到底有多少经典的范围证明算法,以及什么时候用什么算法。找点综述看看。这篇综述比较新,涵盖面全。有很多关于零知识证明的...

    安包
  • 中兴智能视觉大数据报道:人工智能未来将有更广阔的应用空间

    中兴视觉大数据报道:从人脸识别技术在智能安防下的一个具体应用场景开始:你在门口安装了摄像头,当有物体出现在摄像头范围内的时候,摄像头自动拍摄下图像,对图像进行识...

    用户2155938
  • 《中国大数据企业排行榜》V3.0 发布

    2017年2月22日,首席数据官联盟在京举办《中国大数据企业排行榜》V3.0新闻发布会。榜单由北京大学电子政务研究院、中国新一代IT产业推进联盟共同指导,中国首...

    小莹莹
  • Leetcode 1260. 二维网格迁移

    给你一个 m 行 n 列的二维网格 grid 和一个整数 k。你需要将 grid 迁移 k 次。

    zhipingChen
  • 线性判别分析LDA原理总结

        在主成分分析(PCA)原理总结中,我们对降维算法PCA做了总结。这里我们就对另外一种经典的降维方法线性判别分析(Linear Discriminant ...

    刘建平Pinard

扫码关注云+社区

领取腾讯云代金券