内容简介:主要有已下几个方向:Deep face attribute (人脸属性):如heavy eyebrows(浓眉)、大眼等。
Deep learning for face
主要有已下几个方向:
Deep face attribute (人脸属性):如heavy eyebrows(浓眉)、大眼等。
http://www.ee.cuhk.edu.hk/~xgwang/papers/luoWTiccv13a.pdf
Deep face parsing (人脸解析):
http://www.ee.cuhk.edu.hk/~xgwang/papers/luoWTcvpr12.pdf
Deep face verification (人脸验证):
http://www.ee.cuhk.edu.hk/~xgwang/papers/sunWTiccv13.pdf
Deep face alignment(人脸对齐):可利用关键点完成人脸对齐。
http://mmlab.ie.cuhk.edu.hk/archive/CNN_FacePoint.htm
Deep face recognition ( 人脸识别 ):
http://mmlab.ie.cuhk.edu.hk/projects/zhuLWTiccv2013FIP/index.html
数据库角度
以下是可以下载的公开的人脸数据集:
1 )人脸检测
数据库 |
描述 |
用途 |
获取方法 |
FDDB |
2845 张图片中的 5171 张脸 |
标准人脸检测评测集 |
|
IJB-A |
人脸识别,人脸检测 |
||
Caltech10k Web Faces |
10k+ 人脸,提供双眼和嘴巴的坐标位置 |
人脸点检测 |
2 )人脸表情
数据库 |
描述 |
用途 |
获取方法 |
CK+ |
137 个人的不同人脸表情视频帧 |
正面人脸表情识别 |
3 )人脸年龄
数据库 |
描述 |
用途 |
获取方法 |
IMDB-WIKI |
包含: IMDb 中 20k+ 个名人的 460k+ 张图片 和维基百科 62k+ 张图片 , 总共: 523k+ 张图片 |
名人年龄、性别 |
|
Adience |
包含 2k+ 个人的 26k+ 张人脸图像 |
人脸性别,人脸年龄段 (8 组 ) |
|
CACD2000 |
2k 名人 160k 张人脸图片 |
人脸年龄 |
4 )人脸性别
数据库 |
描述 |
用途 |
获取方法 |
IMDB-WIKI |
包含: IMDb 中 20k+ 个名人的 460k+ 张图片 和维基百科 62k+ 张图片 , 总共: 523k+ 张图片 |
名人年龄、性别 |
|
Adience |
包含 2k+ 个人的 26k+ 张人脸图像 |
人脸性别,人脸年龄段 (8 组 ) |
5 )人脸识别
数据库 |
描述 |
用途 |
获取方法 |
WebFace |
10k+ 人,约 500K 张图片 |
非限制场景 |
|
FaceScrub |
530 人,约 100k 张图片 |
非限制场景 |
|
YouTube Face |
1,595 个人 3,425 段视频 |
非限制场景、视频 |
|
LFW |
5k+ 人脸,超过 10K 张图片 |
标准的人脸识别数据集 |
|
MultiPIE |
337 个人的不同姿态、表情、光照的人脸图像,共 750k+ 人脸图像 |
限制场景人脸识别 |
链接 需购买 |
MegaFace |
690k 不同的人的 1000k 人脸图像 |
新的人脸识别评测集合 |
|
IJB-A |
人脸识别,人脸检测 |
||
CAS-PEAL |
1040 个人的 30k+ 张人脸图像,主要包含姿态、表情、光照变化 |
限制场景下人脸识别 |
|
Pubfig |
200 个人的 58k+ 人脸图像 |
非限制场景下的人脸识别 |
数据库解析
LFW(Labeled face in wild)是由由美国马萨诸塞大学计算机视觉实验室于2007年发布,图像采集自Yahoo! News, 共包括5749个人,13233张图像,其中1680人有两幅及以上的图像。大多数图像经由Viola-Jones 人脸检测器得到后,被裁剪为固定大小。
目前,在LFW官网上可以查到的中国企业的刷分状态是,face++ 99.5% , 商汤 99.53% , 腾讯 99.65% , 百度 99.77%,中科奥森 99.77% , 中科云从 99.5%, 北京飞搜科技 99.67% , 颜鉴99.4%,宇泛智能 99%, 中国平安 99.8% 大华 99.78%, 海鑫 99.68% 等,谷歌针对这个人脸识别数据集的刷榜分数是 99.63% 。
MegaFace 是由华盛顿大学(University of Washington)计算机科学与工程实验室于2015年针对名为 ”MegaFace Challenge” 的挑战而发布并维护的公开人脸数据集,是目前最为权威热门的评价人脸识别性能的指标之一。数据集中的人脸图像均采集自Flickr creative commons dataset,共包含690,572个身份共1,027,060张图像。
在2015年10月公布的第一次的MegaFace 挑战结果中,俄罗斯公司NTechLAB以1选的识别准确率73.300%排名第一,谷歌以70.496%排名第二,北京飞搜科技64.803% 排名第三。随后陆续有各个公司和学术组织提交结果,截至2017年11月份,最好的结果已达到91.763%,由俄罗斯的Vocord 公司提交。国内目前最好的结果是腾讯优图实验室提交的83.290%,排名第二,其他较好的4个结果分别为:北京深感科技(81.298%),复旦大学计算机科学实验室(77.982%)和北京飞搜科技(76.661%), Shanghai Tech ( 74.049% )。
人脸识别专项
发展的历程
2014年前 |
2014年 |
2015年 |
2016年 |
2017年 |
2018年 |
CRBM |
DeepFace |
Facenet |
CenterLoss |
NormFace |
Arcface |
CDBN |
DeepID |
VGGface |
Openface |
SphereFce |
CCL |
DeepID2 |
DeepID2+ |
Cosface |
|||
FR+FCN |
DeepID3 |
||||
Face++ |
|||||
目前的研究成果
1)各大研究者和商业机构近几年的结果展示(LFW网页的展示):
http://vis-www.cs.umass.edu/lfw/results.html
2)各个研究者在megaface竞赛上的研究结果:
http://megaface.cs.washington.edu/
几种人脸识别方法:
1)最早的利用深度学习的人脸识别算法当属Facebook的DeepFace(2014),该算法的亮点是第一基于3d模型的人脸对齐方法,第二是大数据训练的人工神经网络。
文章: https://www.computer.org/csdl/proceedings/cvpr/2014/5118/00/5118b701-abs.html
Deepface: Closing the gap to humal-level performance in face verification
代码: https://github.com/RiweiChen/DeepFace
2)FR+FCN (2014)
文章: https://arxiv.org/ftp/arxiv/papers/1404/1404.3543.pdf
Recover Canonical-View Faces in the Tild with Deep Neural Networks
3)deepID三部曲( http://www.ee.cuhk.edu.hk/~xgwang/ 王晓刚)(2014-2015)
a)
文章: http://www.ee.cuhk.edu.hk/~xgwang/papers/sunWTcvpr14.pdf
Deep Learning Face Representation from Predicting 10,000 Classes
代码: https://github.com/stdcoutzyx/DeepID_FaceClassify
b)
文章: http://www.ee.cuhk.edu.hk/~xgwang/papers/sunWTarxiv14.pdf
Deep Learning Face Representation by Joint Identification-Verification
代码: https://github.com/chenzeyuczy/DeepID2
c)
文章: http://www.ee.cuhk.edu.hk/~xgwang/papers/sunWTcvpr15.pdf
Deeply learned face representations are sparse, selective, and robust
d)
文章: https://arxiv.org/abs/1502.00873
DeepID3: Face Recognition with Very Deep Neural Networks
4)face++ :(2015)
Naïve-Deep Face Recognition: Touching the Limit of LFW Benchmark or Not?
5)Facenet: Google的人脸识别(2015)
文章: https://arxiv.org/abs/1503.03832
FaceNet: A Unified Embedding for Face Recognition and Clustering
代码: https://github.com/davidsandberg/facenet
注:有很多如何使用facenet的博客。
6)VGG-face(2015)
主页: http://www.robots.ox.ac.uk/~vgg/software/vgg_face/
文章: http://www.robots.ox.ac.uk/~vgg/publications/2015/Parkhi15/parkhi15.pdf
Deep Face Recognition
代码: https://github.com/ZZUTK/Tensorflow-VGG-face
7)Baidu方法:(2015)
Targeting Ultimate Accuracy: Face Recognition via Deep Embedding
8)pose+shape+expression augmentation(2016)
文章: https://link.springer.com/chapter/10.1007%2F978-3-319-46454-1_35
Do We Really Need to Collect Millions of Faces for Effective Face Recognition?
9)CNN-3DMM estimation(2016)
Regressing Robust and Discriminative 3D Morphable Models with a very Deep Neural Network
10)Openface:人脸识别框架(2016)
文章:OpenFace: A general-purpose face recognition library with mobile applications
框架代码: https://github.com/TadasBaltrusaitis/OpenFace 框架代码
较好的博客: https://blog.csdn.net/q505025354/article/details/62417968
11)Centerloss : 2016
文章: http://ydwen.github.io/papers/WenECCV16.pdf
A Discriminative Feature Learning Approach for Deep Face Recognition
介绍: https://blog.csdn.net/u014380165/article/details/76946339
代码: https://github.com/pangyupo/mxnet_center_loss
12)Normface: 2017
文章: https://arxiv.org/abs/1704.06369
NormFace: L2 Hypersphere Embedding for Face Verification
代码: https://github.com/happynear/NormFace
13)Sphereface:2017
文章: https://arxiv.org/abs/1704.08063
SphereFace: Deep Hypersphere Embedding for Face Recognition
代码: https://github.com/wy1iu/sphereface
14)Cosface:2018
文章: Additive Margin Softmax for Face Verification
Wang F, Liu W, Liu H, et al. Additive Margin Softmax for Face Verification[J]. arXiv preprint arXiv:1801.05599, 2018.
15)Arcface:2018
文章:ArcFace: Additive Angular Margin Loss for Deep Face Recognition
Deng J, Guo J, Zafeiriou S. ArcFace: Additive Angular Margin Loss for Deep Face Recognition[J]. arXiv preprint arXiv:1801.07698, 2018.
16)CCL:2018
文章:Face Recognition via Centralized Coordinate Learning
Qi X, Zhang L. Face Recognition via Centralized Coordinate Learning[J]. arXiv preprint arXiv:1801.05678, 2018
以上就是本文的全部内容,希望本文的内容对大家的学习或者工作能带来一定的帮助,也希望大家多多支持 码农网
猜你喜欢:本站部分资源来源于网络,本站转载出于传递更多信息之目的,版权归原作者或者来源机构所有,如转载稿涉及版权问题,请联系我们。
Paradigms of Artificial Intelligence Programming
Peter Norvig / Morgan Kaufmann / 1991-10-01 / USD 77.95
Paradigms of AI Programming is the first text to teach advanced Common Lisp techniques in the context of building major AI systems. By reconstructing authentic, complex AI programs using state-of-the-......一起来看看 《Paradigms of Artificial Intelligence Programming》 这本书的介绍吧!