人脸识别综述

栏目: 编程工具 · 发布时间: 6年前

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

链接

IJB-A

人脸识别,人脸检测

链接

Caltech10k Web Faces

10k+ 人脸,提供双眼和嘴巴的坐标位置

人脸点检测

链接

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

链接

3 )人脸年龄

数据库

描述

用途

获取方法

IMDB-WIKI

包含: IMDb 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

链接

Adience

包含 2k+ 个人的 26k+ 张人脸图像

人脸性别,人脸年龄段 (8 )

链接

CACD2000

2k 名人 160k 张人脸图片

人脸年龄

链接

4 )人脸性别

数据库

描述

用途

获取方法

IMDB-WIKI

包含: IMDb 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

链接

Adience

包含 2k+ 个人的 26k+ 张人脸图像

人脸性别,人脸年龄段 (8 )

链接

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

链接

FaceScrub

530 人,约 100k 张图片

非限制场景

链接

YouTube Face

1,595 个人 3,425 段视频

非限制场景、视频

链接

LFW

5k+ 人脸,超过 10K 张图片

标准的人脸识别数据集

链接

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

链接

IJB-A

人脸识别,人脸检测

链接

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

链接

Pubfig

200 个人的 58k+ 人脸图像

非限制场景下的人脸识别

链接

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)

文章: http://xueshu.baidu.com/s?wd=paperuri%3A%28628ecff0bf9ee4a3a6cea9d3fbca0fd3%29&filter=sc_long_sign&tn=SE_xueshusource_2kduw22v&sc_vurl=http%3A%2F%2Farxiv.org%2Fabs%2F1501.04690&ie=utf-8&sc_us=11022578337400751839

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)

文章: http://xueshu.baidu.com/s?wd=paperuri%3A%283932460d37f978db26e386460904a032%29&filter=sc_long_sign&tn=SE_xueshusource_2kduw22v&sc_vurl=http%3A%2F%2Farxiv.org%2Fabs%2F1506.07310&ie=utf-8&sc_us=5602776512742270991

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)

文章: http://xueshu.baidu.com/s?wd=paperuri%3A%283d53e555457c71da8a4fdcccf8a40cce%29&filter=sc_long_sign&tn=SE_xueshusource_2kduw22v&sc_vurl=http%3A%2F%2Farxiv.org%2Fabs%2F1612.04904v1&ie=utf-8&sc_us=76690533762457661

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

查看所有标签

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

你不是个玩意儿

你不是个玩意儿

杰伦·拉尼尔 / 葛仲君 / 中信出版社 / 2011-8 / 35.00元

“你不是个玩意儿。” 这句话当然不是骂人,这是一个宣言。人当然不是玩意儿,不是机器,而是人。 在网络化程度越来越高的今天,我们每个人似乎都有足够的理由,无限欣喜地拥抱互联网。然而,你有没有想过互联网那些不完美的设计却是某种潜在的威胁…… 为什么如此多的暴民在社交网站上争吵不休,很多骂人的脏话我们在现实的人际交往中可能从来不会使用,但在匿名网络环境中却漫天飞舞? 互联网的本质......一起来看看 《你不是个玩意儿》 这本书的介绍吧!

HTML 压缩/解压工具
HTML 压缩/解压工具

在线压缩/解压 HTML 代码

图片转BASE64编码
图片转BASE64编码

在线图片转Base64编码工具

随机密码生成器
随机密码生成器

多种字符组合密码