人脸识别技术近期文献整理30篇

⼈脸识别技术近期⽂献整理30篇

皮带盘

1、综述类

雷击次数2、2D⼈脸识别(2D face recognition)

（3）P2SGrad: Refined Gradients for Optimizing Deep Face Models[2019]

利⽤概率相似度梯度（P2SGrad)更新神经⽹络参数,P2SGrad在训练中稳定，噪声强，并且在LFW，MegaFace 和IJB-C 这三个⾯部识别基准上均达到了最新的性能

（4）UniformFace: Learning Deep Equidistributed Representation for FaceRecognition[2019]

统⼀损失函数，⼈脸识别深度学习的均匀分布表⽰法

（6）AdaptiveFace: Adaptive Margin and Sampling for Face Recognition【2019】

在基于边距的Softmax损失函数中提出了⾃适应余量Softmax来⾃适应地调整不同类的余量；在采样过程中提出了“硬原型挖掘”，以并引⼊了⾃适应数据采样以到有价值的样本进⾏⾃适应训练

（7）ArcFace: Additive Angular Margin Loss for Deep Face Recognition【2019】212资源

提出了⼀个附加的⾓余量损失（ArcFace），以获取⽤于⾯部识别的⾼度区分特征

（8）Additive Margin Softmax for Face Verification【2018】

为Softmax损失函数引⼊了⼀种新颖的加法⾓余量，它⽐现有成果具有直观的吸引⼒和更多的可解释性。

（9）SphereFace: Deep Hypersphere Embedding for Face Recognition【2018】

提出了⾓度softmax（A-Softmax）损失函数，它使卷积神经⽹络（CNN）能够学习⾓度判别特征。

（10）Large-Margin Softmax Loss for Convolutional Neural Networks【2018】

提出了L-Softmax损失函数

3、⼈脸检测(face detection)

（13）RetinaFace: Single-stage Dense Face Localisation in the Wild【2019】干衣柜

RetinaFace利⽤联合监督和⾃我监督的多任务学习优势，在各种⽐例的⾯部上执⾏像素级⾯部定位。

(19)SSH: Single Stage Headless Face Detector【2017】

Single Stage Headless (SSH)⾯部识别

(20)HR:Finding Tiny Faces【2017】

探讨了规模在预先训练的深度⽹络中的作⽤，提供了将针对有限规模调整到相当极端范围的⽹络进⾏推断的⽅法。

(22)FACE R-CNN:Face R-CNN【2017】

利⽤了多种新技术，包括新的多任务损失函数设计，在线硬⽰例挖掘以及多尺度训练策略，以在多个⽅⾯改进Faster R-CNN。

4、⼈脸特征点定位(face alignment)

(24)PRNet:Joint 3D Face Reconstruction and DenseAlignment with Position Map RegressionNetwork【2018】

(25)PFLD: A Practical Facial Landmark Detector【2019】q110

研究了⼀种在野⽣环境下（例如不受约束的姿势，表情，光照和遮挡条件）以及在移动设备上具有超实时速度的，具有良好检测精度的⼈脸检测模型

(26)2D&3D FAN:How far are we from solving the 2D & 3D Face Alignment problem? (and adataset of 230,000 3D facial landmarks)【2018】

研究了现有的2D和3D⼈脸特征点定位数据集与深度神经⽹络要达到的性能之间的距离

5、3D⼈脸建模(3D face reconstruction)

(27)3DMM+CNN:Regressing Robust and Discriminative 3D Morphable Modelswith a very Deep Neural Network【2016】

陶瓷纤维管

3DMM+CNN

本文发布于:2024-09-21 20:25:52，感谢您对本站的认可！

标签：具有损失训练函数深度学习

留言与评论（共有 0 条评论）