人臉算法最佳綜述人臉檢測綜述 _面部

人臉檢測綜述（人臉算法最佳綜述）
作者丨cynthia yawain

引言在過去的一年中，計算機視覺領域出現了許多優秀的工作，并推動了相關領域的技術發展與進步。
注：文章將同步更新于Github上，歡迎大家 star/fork：
https://github.com/extreme-assistant/survey-computer-vision
綜述一 The Elements of End-to-end Deep Face Recognition: A Survey of Recent Advances
標題：端到端深度人臉識別原理：最新進展綜述
作者： Hang Du, Tao Mei
鏈接：
https://arxiv.org/abs/2009.13290

本文共梳理371篇相關文獻。
隨著深度卷積神經網絡和大規模數據集的最新發展，深度人臉識別取得了顯著進展，并已廣泛應用于現實應用中。給定自然圖像或視頻幀作為輸入，端到端深臉識別系統將輸出臉部特征以進行識別。為此，整個系統通常由三個關鍵要素構成：面部檢測，面部預處理和面部表示。這三個要素都由深度卷積神經網絡實現。在本文中，由于蓬勃發展的深度學習技術極大地提高了它們的能力，因此我們對端到端深度人臉識別各個元素的最新進展進行了全面的調查，分別回顧了基于深度學習的每個元素的進展，涵蓋了許多方面，例如最新的算法設計，評估指標，數據集，性能比較，存在的挑戰以及有希望的未來研究方向。
端到端深度人臉識別系統的標準管道

代表性人臉檢測方法的發展：

綜述二 Face Image Quality Assessment: A Literature Survey
標題：人臉圖像質量評價的文獻綜述
作者： Torsten Schlett, Christoph Busch
鏈接：
https://arxiv.org/abs/2009.01103

本文共梳理173篇相關文獻。
人臉分析和識別系統的性能取決于所采集人臉數據的質量，該質量受眾多因素影響。因此，根據生物統計實用程序自動評估面部數據的質量對于過濾掉低質量的數據很有用。本文概述了在面部生物識別技術框架中的面部質量評估文獻，重點是基于可見波長面部圖像的面部識別，而不是例如深度或紅外質量評估，觀察到了基于深度學習的方法的趨勢，包括最近方法之間的顯著概念差異。
典型的FQA過程：對人臉圖像進行預處理，然后應用FQA ，從而輸出標量質量得分，并據此做出決策。

綜述三 The Use of AI for Thermal Emotion Recognition: A Review of Problems and Limitations in Standard Design and Data
標題: 人工智能在熱情感識別中的應用：標準設計和數據中的問題和限制綜述
作者： Catherine Ordun, Sanjay Purushotham
鏈接：
https://arxiv.org/abs/2009.10589

隨著對Covid-19放映的熱成像越來越關注，公共部門可能會相信有新的機會將熱學用作計算機視覺和AI的方式。自九十年代末以來，一直在進行熱生理學研究。這項研究位于醫學，心理學，機器學習，光學和情感計算的交叉領域。本文回顧了用于面部表情識別的熱成像與RGB成像的已知因素。熱成像可能會在RGB上為計算機視覺提供一種半匿名的方式，這種方式已被面部識別中的誤用所困擾。但是，要想將熱圖像用作任何以人為中心的AI任務的來源，過渡并不容易，并且要依賴于跨多個人口統計的高保真度數據源的可用性和全面的驗證。本文使讀者簡要回顧了熱FER中的機器學習以及為AI訓練收集和開發熱FER數據的局限性。

人臉算法最佳綜述 人臉檢測綜述

猜你喜歡

人臉算法最佳綜述人臉檢測綜述