首页
学习
活动
专区
工具
TVP
发布
精选内容/技术社群/优惠产品,尽在小程序
立即前往

人脸识别——新的一个境界

好久没有和大家分享学习的推送,最近很多朋友一直在问我人脸识别到底怎么去识别?人脸为啥会分约束和非约束?人脸检测后可以做哪些工作?等等的一些列问题,其实我们之前很多推送都有详细解答这些问题,今天,就顺便把非约束人脸识别和大家好好说一说,希望有兴趣的您可以有所收获,谢谢!

现在是一个大数据时代,我们身边无处不是大数据,比如:

其实,在人脸识别中主要的目的就是找到一个表达或者相似性度量,如:

Intra-subject similarity is high;

Inter-subject similarity is low。

这也是我之前一直和大家强调的,类内相似性高,类间相似性低。

就如上图所示,同一类的人脸,其特征特别相似,不在同一个聚类簇中的人脸,其特征差别较大,这样对人脸识别有较大的提高。

来看看人脸识别的里程碑:

约束 VS. 无约束

在无约束人脸识别中的一些挑战:

例举一个案例:(A case study of automated face recognition: the Boston Marathon bombing suspects, J.C. Klontz and A.K. Jain, IEEE Computer, 2013)

Gallery images:1百万张照片+6个Web图像

Probe images:5个人脸

Ranking results:

无约束人脸时代已经来临

The Labeled Faces in the Wild (LFW)

Labeled faces in the wild: A database for studying face recognition in unconstrained environments, Huang, Jain, LearnedMiller, ECCVW, 2008

LFW一共13233图片,共5749位人。

Human-level performance

Attribute and simile classifiers for face verification, Kumar, et al., ICCV 2009

通过实验证明了,人脸验证的时候,人脸额外的信息是多余的。

LFW数据集上进些年的实验结果变化如下图所示:

混合深度学习

Hybrid deep learning for computing face similarities, Sun, Wang, Tang, ICCV 2013

12X5 Siamese ConvNets X8 + RBM classification

一般人脸识别的简单过程如下:

以上都是1:1的验证识别,接下来可以看看1对多的案例。

人脸是一个3D目标:(可以通过这样的方式对无约束人脸重建)

如下就是1对多的简单介绍:

实验可视化:

本文参考于Yaniv Taigman的内容,谢谢!

  • 发表于:
  • 原文链接http://kuaibao.qq.com/s/20180122G0LA4N00?refer=cp_1026
  • 腾讯「腾讯云开发者社区」是腾讯内容开放平台帐号(企鹅号)传播渠道之一,根据《腾讯内容开放平台服务协议》转载发布内容。
  • 如有侵权,请联系 cloudcommunity@tencent.com 删除。

相关快讯

扫码

添加站长 进交流群

领取专属 10元无门槛券

私享最新 技术干货

扫码加入开发者社群
领券