深度学习与人脸识别：最新技术水平
计算机视觉与模式识别
2019-02-12 v1
摘要
深度神经网络（DNN）已成为机器学习中的主导技术。DNN 在包括图像分类、语音识别和人脸识别在内的各种任务中表现最佳。卷积神经网络（CNN）已被用于 Labeled Faces in the Wild (LFW) 数据集上几乎所有表现最佳的方法中。在本次演讲及附随的论文中，我试图对 SOTA 中使用的深度学习技术进行回顾和总结。此外，我强调需要更大、更具挑战性的公开数据集来对这些系统进行基准测试。高准确率（发布时 FaceNet 为 99.63%）和外部数据的使用（在 Google 的 FaceNet 案例中为数亿张图像）表明，当前的人脸验证基准（如 LFW）可能对当前技术而言不够具有挑战性，也没有提供足够的数据。存在许多拥有移动照片共享应用程序的机构，它们能够发布在移动设备上捕获的超大规模且高度多样化的人脸图像数据集。这样一个“人脸识别的 ImageNet”很可能会受到研究人员和从业者的热烈欢迎。
引用
@article{arxiv.1902.03524,
title = {Deep learning and face recognition: the state of the art},
author = {Stephen Balaban},
journal= {arXiv preprint arXiv:1902.03524},
year = {2019}
}
备注
Published May 15th 2015 in the Proc. SPIE 9457, Biometric and Surveillance Technology for Human and Activity Identification XII, 94570B; Ioannis A. Kakadiaris; Ajay Kumar; Walter J. Scheirer, Editor(s)