在低光环境下,人脸识别面临图像质量低、特征模糊等诸多挑战,导致现有方法难以提取鲁棒且辨识度高的特征,从而严重影响识别性能。为应对这一问题,提出了一种新颖的非成对低光人脸识别模型LFSepNet(low-light face separation network)...在低光环境下,人脸识别面临图像质量低、特征模糊等诸多挑战,导致现有方法难以提取鲁棒且辨识度高的特征,从而严重影响识别性能。为应对这一问题,提出了一种新颖的非成对低光人脸识别模型LFSepNet(low-light face separation network)。与传统基于卷积神经网络(convolutional neural network,CNN)架构的训练方法不同,LFSepNet采用Transformer架构,更有效地捕捉长距离依赖关系,从而克服卷积神经网络在局部感受野上的限制。由于低光环境下的人脸图像往往整体偏暗,仅有少数区域可能包含较丰富的照明信息,传统CNN在特征提取时容易受限于局部区域,难以充分利用这些关键信息。相比之下,Transformer通过自注意力机制实现全局信息建模,使网络能够更全面地整合亮度不均的人脸图像信息,从而提升特征解耦的效果和低光人脸识别的准确性。LFSepNet模型包含自适应亮度分离模块和自适应照明间隙损失,通过动态分离人脸与光照特征,减少光照干扰,同时进一步优化特征分离效果,使模型能够提取更加精确和鲁棒的特征。实验结果表明,LFSepNet在多个低光人脸数据集上的性能均优于现有方法,特别是在极端低光条件下,其识别精度显著提升。该研究为低光人脸识别提供了基于非成对设置的有效解决方案,并在实际应用中展现了良好的潜力。展开更多
随着年龄的增长,人脸纹理、形状等特征会发生非线性变化,且不同个体之间的变化过程不尽相同,从而导致模型的识别性能有所下降.现有的主流方法是将人脸特征分解为身份特征和年龄特征,证实了身份特征和年龄特征具有非线性关系,但仍无法彻...随着年龄的增长,人脸纹理、形状等特征会发生非线性变化,且不同个体之间的变化过程不尽相同,从而导致模型的识别性能有所下降.现有的主流方法是将人脸特征分解为身份特征和年龄特征,证实了身份特征和年龄特征具有非线性关系,但仍无法彻底将身份特征和年龄特征完全分解,即分解后的身份特征仍包含年龄相关信息.针对上述问题,该文提出一种基于高斯分布概率模型的跨年龄人脸识别模型(probabilistic face CNN,PF-CNN),在生成身份特征的同时,用高斯分布概率模型描述年龄因素对身份特征的影响.PF-CNN在CACD-VS、Morph 2个数据集上分别进行实验,通过对不同基准模型、训练数据集和指标的比较,结果表明该模型可以有效地降低年龄因素对跨年龄人脸识别精度的影响,相比现有方法识别率有一定提升.展开更多
为了解决传统人脸识别数据集构建中手工标注繁琐、低分辨率图像影响标注准确率等问题的问题,提出一种基于监控视频数据的特定人群人脸数据集自动化构建方法(constructing a facial dataset for a targeted group,CFD-TG)。该方法利用相...为了解决传统人脸识别数据集构建中手工标注繁琐、低分辨率图像影响标注准确率等问题的问题,提出一种基于监控视频数据的特定人群人脸数据集自动化构建方法(constructing a facial dataset for a targeted group,CFD-TG)。该方法利用相邻帧的人脸偏移量和相似度进行分组,并融合标准库进行分组标注和数据增强。实验结果表明,该方法所构数据集的调整兰德系数(ARI)与标准化互信息(NMI)比使用人脸聚类方法分别高出0.189、0.08;并将其在人脸识别模型FaceNet、ArcFace与AdaFace上进行了验证,基于特定人群人脸数据集的微调模型相较与原预训练模型识别准确率分别提升了0.4431、0.5912、0.1288。展开更多
文摘随着年龄的增长,人脸纹理、形状等特征会发生非线性变化,且不同个体之间的变化过程不尽相同,从而导致模型的识别性能有所下降.现有的主流方法是将人脸特征分解为身份特征和年龄特征,证实了身份特征和年龄特征具有非线性关系,但仍无法彻底将身份特征和年龄特征完全分解,即分解后的身份特征仍包含年龄相关信息.针对上述问题,该文提出一种基于高斯分布概率模型的跨年龄人脸识别模型(probabilistic face CNN,PF-CNN),在生成身份特征的同时,用高斯分布概率模型描述年龄因素对身份特征的影响.PF-CNN在CACD-VS、Morph 2个数据集上分别进行实验,通过对不同基准模型、训练数据集和指标的比较,结果表明该模型可以有效地降低年龄因素对跨年龄人脸识别精度的影响,相比现有方法识别率有一定提升.
文摘为了解决传统人脸识别数据集构建中手工标注繁琐、低分辨率图像影响标注准确率等问题的问题,提出一种基于监控视频数据的特定人群人脸数据集自动化构建方法(constructing a facial dataset for a targeted group,CFD-TG)。该方法利用相邻帧的人脸偏移量和相似度进行分组,并融合标准库进行分组标注和数据增强。实验结果表明,该方法所构数据集的调整兰德系数(ARI)与标准化互信息(NMI)比使用人脸聚类方法分别高出0.189、0.08;并将其在人脸识别模型FaceNet、ArcFace与AdaFace上进行了验证,基于特定人群人脸数据集的微调模型相较与原预训练模型识别准确率分别提升了0.4431、0.5912、0.1288。
