利用深度卷积神经网络的无约束静态图像/视频人脸验证
计算机视觉与模式识别
2017-07-19 v3
摘要
在过去五年中，基于深度卷积神经网络(DCNNs)的方法在目标检测和识别问题上展现出令人印象深刻的性能提升。这得益于大型标注数据集的可用性、对输入图像与类标签间非线性映射的更好理解以及GPU的可负担性。本文中，我们呈现用于无约束人脸识别的深度学习系统设计细节，包括人脸检测、关联、对齐和人脸验证模块。定量性能评估使用IARPA Janus Benchmark A (IJB-A)、JANUS Challenge Set 2 (JANUS CS2)和LFW数据集进行。IJB-A数据集包含500个主体的真实世界无约束人脸，具有显著姿态和光照变化，比标注人脸野生(LFW)和Youtube Face (YTF)数据集难得多。JANUS CS2是IJB-A的扩展版，不仅包含IJB-A所有图像/帧，还包含用于评估基于视频的人脸验证系统的原始视频。随后讨论了关于DCNNs用于人脸验证问题的一些开放问题。
引用
@article{arxiv.1605.02686,
title = {Unconstrained Still/Video-Based Face Verification with Deep Convolutional Neural Networks},
author = {Jun-Cheng Chen and Rajeev Ranjan and Swami Sankaranarayanan and Amit Kumar and Ching-Hui Chen and Vishal M. Patel and Carlos D. Castillo and Rama Chellappa},
journal= {arXiv preprint arXiv:1605.02686},
year = {2017}
}
备注
accepted by IJCV