电脑桌面
添加小米粒文库到电脑桌面
安装后可以在桌面快捷访问

基于深度学习的人脸识别技术综述VIP免费

基于深度学习的人脸识别技术综述_第1页
1/24
基于深度学习的人脸识别技术综述_第2页
2/24
基于深度学习的人脸识别技术综述_第3页
3/24
基于深度学习的人脸识别技术综述简介:人脸识别是计算机视觉研究领域的一个热点,同时人脸识别的研究领域非常广泛。因此,本技术综述限定于:一,在LFW数据集上(LabeledFacesintheWild)获得优秀结果的方法;二,是采用深度学习的方法。前言LFW数据集(LabeledFacesintheWild)是目前用得最多的人脸图像数据库。该数据库共13,233幅图像,其中5749个人,其中1680人有两幅及以上的图像,4069人只有一幅图像。图像为250*250大小的JPEG格式。绝大多数为彩色图,少数为灰度图。该数据库采集的是自然条件下人脸图片,目的是提高自然条件下人脸识别的精度。该数据集有6中评价标准:一,Unsupervised;二,Image-restrictedwithnooutsidedata;三,Unrestrictedwithnooutsidedata;四,Image-restrictedwithlabel-freeoutsidedata;五,Unrestrictedwithlabel-freeoutsidedata;六,Unrestrictedwithlabeledoutsidedata。目前,人工在该数据集上的准确率在0.9427~0.9920。在该数据集的第六种评价标准下(无限制,可以使用外部标注的数据),许多方法已经赶上(超过)人工识别精度,比如face++,DeepID3,FaceNet等。图一/表一:人类在LFW数据集上的识别精度表二:第六种标准下,部分模型的识别准确率(详情参见lfw结果)续上表本文综述的人脸识别方法包括以下几个筛选标准:一,在上表中识别精度超过0.95(超过人类的识别准确度);二,公布了方法(部分结果为商业公司提交,方法并未公布,比如Tencent-BestImage);三,使用深度学习方法;三,近两年的结果。本文综述的方法包括:1,face++(0.9950);2,DeepFace(0.9735);3,FR+FCN(0.9645);4,DeepID(0.9745);5,FaceNet(0.9963);6,baidu的方法(0.9977);7,pose+shape+expressionaugmentation(0.9807);8,CNN-3DMMestimation(0.9235,准确率没那么高,但是值得参考)。人脸识别方法1,face++(0.9950)参考文献:Naive-DeepfaceRecognition:TouchingtheLimitofLFWBenchmarkorNot?face++从网络上搜集了5million张人脸图片用于训练深度卷积神经网络模型,在LFW数据集上准确率非常高。该篇文章的网路模型很常规(常规深度卷积神经网络模型),但是提出的问题是值得参考的。问题一:他们的MegviiFaceRecognitionSystem经过训练后,在LFW数据集上达到了0.995的准确率。在真实场景测试中(ChineseID(CHID)),该系统的假阳性率(FP=10-5)非常低。但是,真阳性率仅为0.66,没有达到真实场景应用要求。其中,年龄差异(包括intra-variation:同一个人,不同年龄照片;以及inter-variation:不同人,不同年龄照片)是影响模型准确率原因之一。而在该测试标准(CHID)下,人类表现的准确率大于0.90。图1-1:在CHID中出错的样本问题二:数据采集偏差。基于网络采集的人脸数据集存在偏差。这些偏差表现在:1,个体之间照片数量差异很大;2,大部分采集的照片都是:微笑,化妆,年轻,漂亮的图片。这些和真实场景中差异较大。因此,尽管系统在LFW数据集上有高准确率,在现实场景中准确率很低。问题三:模型测试假阳性率非常低,但是现实应用中,人们更关注真阳性率。问题四:人脸图片的角度,光线,闭合(开口、闭口)和年龄等差异相互的作用,导致人脸识别系统现实应用准确率很低。因此,该文章提出未来进一步研究的方向。方向一:从视频中提取训练数据。视频中人脸画面接近于现实应用场景(变化的角度,光照,表情等);方向二:通过人脸合成方法增加训练数据。因为单个个体不同的照片很困难(比如,难以搜集大量的单个个体不同年龄段的照片,可以采用人脸合成的方法(比如3D人脸重建)生成单个个体不同年龄段的照片)。该文章提出的方向在后续方法介绍中均有体现。2,DeepFace(0.9735)参考文献:Deepface:Closingthegaptohumal-levelperformanceinfaceverification2.1简介常规人脸识别流程是:人脸检测-对齐-表达-分类。本文中,我们通过额外的3d模型改进了人脸对齐的方法。然后,通过基于4million人脸图像(4000个个体)训练的一个9层的人工神经网络来进行人脸特征表达。我们的模型在LFW数据集上取得了0.9735的准确率。该文章...

1、当您付费下载文档后,您只拥有了使用权限,并不意味着购买了版权,文档只能用于自身使用,不得用于其他商业用途(如 [转卖]进行直接盈利或[编辑后售卖]进行间接盈利)。
2、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。
3、如文档内容存在违规,或者侵犯商业秘密、侵犯著作权等,请点击“违规举报”。

碎片内容

基于深度学习的人脸识别技术综述

您可能关注的文档

确认删除?
VIP
微信客服
  • 扫码咨询
会员Q群
  • 会员专属群点击这里加入QQ群
客服邮箱
回到顶部