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。