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

Paradigms of Artificial Intelligence Programming

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!

HTML 压缩/解压工具
HTML 压缩/解压工具

在线压缩/解压 HTML 代码

随机密码生成器
随机密码生成器

多种字符组合密码

RGB HSV 转换
RGB HSV 转换

RGB HSV 互转工具