深面

Deepface:缩小与人脸验证中人类水平性能的差距。在现代人脸识别中,传统的流水线由四个阶段组成:检测=>对齐=>表示=>分类。为了应用分段仿射变换,我们采用显式三维人脸建模方法,重新讨论了对齐步骤和表示步骤,并从九层深层神经网络中导出了人脸表示。这个深网络涉及超过1.2亿个参数,使用几个本地连接层,而不是标准卷积层,而不是权重共享。因此,我们把它训练到迄今为止最大的面部数据集上,这是一个由400万张面部图像组成的身份标签数据集,属于4000多个身份。将基于模型的精确对齐与大规模人脸数据库相结合的学习表示方法,即使使用简单的分类器,也能很好地推广到无约束环境中的人脸。我们的方法对野生(LFW)数据集的标签人脸的准确率达到97.35%,将现有技术的误差降低了27%以上,接近人类水平。


参考文献中的数学25条)

显示第1到第20个结果,共25个。
按年份排序(引用)
  1. 北卡罗来纳州詹森。;Kloeden,P.E.:具有自组织向量场的动力系统的数学一致性和长期行为(2022)
  2. 加法里安,赛义德·穆罕默德;Shahriari,Hamid Reza:使用程序的丰富中间图表示的神经软件脆弱性分析(2021)
  3. Ghods,阿利雷扎;Cook,Diane J.:所有分类器都可以采用的深层网络技术调查(2021)
  4. 王庆忠,张鹏飞,熊浩义,赵健:脸。进化:高性能人脸识别库(2021)阿尔十四
  5. 斯蒂芬·瓦尔丹;麦克唐纳,一月;哈奇,萨夏;Kutyniok,Gitta:理解二元分类器决策的计算复杂性(2021)
  6. 俞佳慧;Spiliopoulos,Konstantinos:浅层神经网络的归一化效应和相关的渐近展开(2021)
  7. 段佳佳;周建涛;李元曼:基于秘密共享的隐私保护分布式深度学习(2020)
  8. 刘敏良;梁,梁;孙伟:基于通用物理的神经网络软组织本构模型(2020)
  9. 派,高塔人;约瑟夫里夫林,莫尔;金梅尔,罗恩;Sochen,Nir:几何不变量,学习,形状和形式的识别(2020)
  10. Sirignano,贾斯汀;Spiliopoulos,Konstantinos:神经网络的平均场分析:大数定律(2020)
  11. Ghatak,Abhijit:R深度学习(2019)
  12. 戈格尔,佩林;Simsek,Ahmet:通过深度叠加去噪稀疏自动编码器(DSDSA)进行人脸识别(2019年)
  13. 刘敏良;梁,梁;孙伟:用机器学习方法估计主动脉壁的体内本构参数(2019年)
  14. 维罗利,辛齐亚;麦克拉克伦,杰弗里J.:深高斯混合模型(2019)
  15. 王珊珊;陈颖:深度人脸识别的联合损失函数(2019)
  16. 雪山;朱红:基于统计分类的递归标签传播低分辨率和开放集人脸识别(2019)
  17. 董秋蕾;王红;胡占义:灵长类AIT神经元到DNN神经元对图像对象刺激的视觉反应统计(2018)
  18. 朱旭东;李辉;Yu,Yang:基于区块链的隐私保护深度学习(2018)
  19. 拉瓦特,瓦西姆;王增辉:用于图像分类的深度卷积神经网络:综述(2017)
  20. Savchenko,Andrey V.:使用中型数据库进行有效统计分类的聚类和最大似然搜索(2017)