基于大间隔双线性分类器进行亲子关系验证

目前机器学习算法已经能够很好地理解单张人脸图像,但是探究多个主体之间的关系仍然是计算机视觉领域的一大挑战。父母-孩子关系是家庭关系的核心部件,研究这一关系对促进人工智能加深对人类社会的理解有重要影响。为此,通过在互联网上搜索名人及其家人的照片建立了一个目前最大的亲子关系图像数据库LKFW(labeled Kin Face in the wild)。基于大间隔双线性分类器(large margin bilinear classifier,LMBC)进行亲子关系验证,其中包括从相似性度量、分类器设计这两个方面来探究孩子和父母之间的空间结构依赖关系。算法借助嵌入核的二次规划进行求解,在Kin Face W和LKFW亲子关系数据库上都达到了比最好性能更好或相当的性能。     

人脸活体检测综述

人脸识别系统往往面临着各类人脸欺诈攻击,如打印相片、屏幕播放和3维面具等。如何区分真实人脸与虚假人脸,亦称人脸活体检测,对于人脸识别系统的安全具有十分重要的意义。近年来,已有大量人脸活体检测方法相继提出,部分已经成功获得实际应用。本文对人脸活体检测技术进行了全面的梳理回顾,包括硬件方案、算法、数据集、技术标准以及业界实际应用情况。最后,进行了总结与展望。整体而言,基于多模态数据,采取先验知识启发的深度学习方法目前能获得占优的人脸活体验证精度。随着人脸欺诈攻击方式的不断升级变更,面向未知类型攻击的人脸活体检测研究愈加重要,此外,新型的传感硬件方案也值得鼓励探讨。     

应用于课堂场景人脸验证的卷积网络方法研究

对于人脸验证应用于课堂场景的问题,通过教室内的摄像头采集学生图像数据集,然而受光照、姿势和环境因素的影响,采集到的图像质量较低,一般的深度学习模型学习难度很大。针对这些问题,对采集到的图像进行了图像预处理,建立卷积图像分类模型与残差网络图像分类模型,并且修改损失函数,提高学习复杂度,训练出紧凑的人脸特征表达。设置了人脸验证阈值,实现人脸验证。通过实验分析在不同数据集上两个模型的精度,并验证修改的损失函数可改善模型性能,最后结果表明在采集到的图像数据集上正确率最高可以达到99. 97%,通过理论分析和实验证实了设计方法的有效性。     

姿态干扰下的深度人脸验证

人脸验证广泛应用于生活中各种场景,而普通RGB图像的获取依赖于光照条件。为解决光照和头部姿态对任务的干扰,提出了一个基于卷积神经网络的孪生网络L2-Siamese。首先,直接将成对的深度图作为输入;然后,用两个共享权重的卷积神经网络分别提取面部特征后,引入L2范数将不同姿态的人脸特征约束在一个半径固定的超球上;最后,通过全连接层将特征之间的差异映射为（0,1）区间的概率值来判断该组图像是否属于同一对象。为了验证L2-Siamese的有效性,在公共数据集Pandora上进行了测试。实验结果显示,L2-Siamese整体性能良好。将Pandora根据头部姿态干扰大小进行分组后的测试结果表明,在头部最大姿态干扰下,与当前最好的算法全卷积孪生网络相比,该网络预测准确率提高了4个百分点,有明显提升。     

基于深度模型的属性学习在人脸验证中的应用研究

人脸属性,如性别,年龄等对于特征人脸的构成具有唯一性。针对传统人脸验证方法的研究,提出了一种基于深度模型的属性预测方法。该方法是基于深度卷积神经网络模型提取的人脸特征表示,通过标记属性信息的数据训练分类器进行属性预测,并将其用于人脸验证环节以提高验证准确率。该方法提供了一种从深度模型提取的人脸特征表示中分析人脸属性的思路,实验证明,该方法在实际应用中能够有效提高人脸验证的准确率。     

跨年龄人脸验证技术研究

针对跨年龄人脸验证任务中面部纹理、形状特征变化的问题,提出一种基于双编码平均局部二值模式(dual-coded average local binary pattern,DCALBP)与深度学习算法相结合的多任务人脸验证算法.首先,使用多任务卷积神经网络(multi-task convolutional neural ...     

非侵入式负荷监测综述EI北大核心CSCD

非侵入式负荷监测通过对总负荷电表数据进行分析处理,能够实现对各个用电设备及其工作状态的辨识,可广泛应用于建筑节能、智慧城市、智能电网等领域.近年来,随着智能电表的大规模部署以及各类机器学习算法的广泛应用,非侵入式负荷监测引起了学术界与工业界的共同关注.本文对非侵入式负荷监测方面的研究进行综述.首先提炼非侵入式负荷监测的问题模型及基本框架;然后分别对非侵入式负荷监测的数据采集与预处理过程、负荷分解模型与方法、常用数据集及评估指标进行归纳总结;最后,对目前研究中存在的挑战进行分析,并对未来的研究方向进行展望.     

面向单幅图像的逼真3D人脸重建方法EI北大核心CSCD

针对3DMM参数拟合方法生成的纹理过于粗糙、结果不够逼真的问题,提出一种基于深度学习的单幅图像逼真3D人脸重建方法.首先构建RP-Net回归网络和包含5万幅人脸图像的数据集,从输入图像中学习参数,并拟合人脸模型生成3D人脸几何;然后通过构造多层次的损失函数进行弱监督学习,包括低水平的像素损失、地标损失和高水平的身份损失;最后通过纹理映射的方式生成逼真的人脸纹理.在2个通用人脸数据集和1个人工生成的人脸数据集上与最近的3D人脸重建方法进行对比实验,并对影响重建的光照、表情和转向等因素进行实验,根据SSIM和PSNR对3D重建结果进行量化分析.实验结果表明,所提方法面向单幅图像可以生成准确的3D人脸形状和逼真的人脸纹理;与最近的3D人脸重建方法相比,该方法的训练时间和迭代次数分别降低了6%和13%,SSIM值增加0.005~0.010,PSNR值平均提高0.03~0.08 dB.     

模糊失真图像无参考质量评价综述EI北大核心CSCD

图像的模糊问题影响人们对信息的感知、获取及图像的后续处理.无参考模糊图像质量评价是该问题的主要研究方向之一.本文分析了近20年来无参考模糊图像质量评价相关技术的发展.首先,本文结合主要数据集对图像模糊失真进行分类说明;其次,对主要的无参考模糊图像质量评价方法进行分类介绍与详细分析;随后,介绍了用来比较无参考模糊图像质量评价方法性能优劣的主要评价指标;接着,选择典型数据集及评价指标,并采用常见的无参考模糊图像质量评价方法进行性能比较;最后,对无参考模糊图像质量评价的相关技术及发展趋势进行总结与展望.     

人脸局部特征增强的亲属关系验证方法

亲属关系验证是人脸识别的一个重要分支,可以用于寻找失散亲人、搜寻走失儿童、构建家庭图谱、社交媒体分析等重要场景。父母和孩子的人脸图像之间往往存在较大的差异,如何从人脸中提取到有鉴别力的特征是提高亲属关系验证准确率的关键。因此,提出了一种基于深度学习和人脸局部特征增强的亲属关系验证方法,构建了人脸局部特征增强验证网络（Local Facial Feature Enhancement Verification Net,LFFEV Net）,获取用于亲属关系验证的具有强鉴别力的人脸特征表示。LFFEV Net由局部特征注意力网络和残差验证网络两部分组成。局部特征注意力网络提取人脸局部关键特征,将获取的局部关键特征和对应的原始图像一同输入到残差验证网络中获取更具鉴别力的人脸特征,将特征经过融合并结合Family ID信息进行亲属关系验证。算法在公开的亲属关系数据集KinFaceW-I和KinFaceW-II上进行测试,实验结果表明,所设计的方法在亲属关系验证任务中有较高的识别率。     

基于亲属关系网络的问卷调查系统

计算机辅助访谈(Computer-Assisted Interviewing, CAI)已广泛应用于社会调查研究.较之一般的CAI系统,基于亲属关系网络的问卷调查系统着重于解决复杂问卷设计、亲属关系网络构建和访谈数据分析处理等问题.本系统采用XML描述并存储问卷及访谈数据,提供了用于深度访谈的复杂问卷设计工具,并支持问卷的国际化本地化以适应不同文化区域的研究;提出了生成亲属关系网络图的迭代算法,以支持基于亲属关系网络图的可视化访谈过程,实现便捷、高效、可靠的访谈数据采集;数据预处理功能将调查数据输出为统计分析软件可读的数据表,便于后期量化分析.本系统可应用于家庭人口结构分析以及面向亲友的各种交互行为调查研究,目前已在国内外多个田野点运用,满足了相关社会调查研究的需求.     

基于深度卷积神经网络End-to-End模型的亲属关系认证算法

针对如何利用人脸图像进行亲属关系认证的问题,提出基于深度卷积神经网络End-to-End模型的亲属关系认证算法.首先,构建一个包含卷积层、全连接层和soft-max分类层的深度卷积神经网络模型.卷积层可以提取亲子图像的隐性特征,全连接层可以将提取的隐性特征映射为亲属关系认证的二分类问题,soft-max分类层可以直接判断该对样本是否具有亲属关系.然后,将成对的标记训练数据输入网络进行迭代,优化深度网络模型参数,直至损失曲线稳定.最后,利用训练完毕的深度网络模型对输入测试图像对进行分类判决,通过统计得到最终的准确率.在KinFaceWI和KinFaceWII数据库上的结果显示,相比以往的亲属关系认证算法,文中模型具有更好的性能.     

Heterogeneous Similarity Learning for More Practical Kinship Verification

Neural Processing Letters - Kinship verification via facial images is a relatively new and challenging problem in computer vision. Prior studies in the literature have focused solely on...     

网络验证研究综述

随着计算机网络规模和复杂度的日益增长,网络管理人员难以保证网络意图得到了正确实现,错误的网络配置将影响网络的安全性和可用性.受到形式化方法在硬软件验证领域中成功应用的启发,研究人员将形式化方法应用到网络中,形成了一个新的研究领域,即网络验证(network verification),旨在使用严格的数学方法证明网络的正确性.网络验证已经成为当下网络和安全领域的热点研究,其研究成果也在实际网络中得到了成功应用.从数据平面验证、控制平面验证和有状态网络验证3个研究方向,对网络验证领域的已有研究成果进行了系统总结,对研究热点内容与解决方法进行了分析,旨在整理网络验证领域的发展脉络,为本领域研究者提供系统性文献参考和未来工作展望.     

基于LASVM面部识别的验证研究

在LSVM算法的基础上提出了利用LASVM算法来进行人脸识别的方法。首先利用MEGM度量学习算法转换CAS—PEAL—R1人脸共享数据库的样本数据和测试数据的特征空间,然后采用LSVM算法程序训练测试转换后的人脸数据并进行分类识别,最高准确率可达到98％。实验表明：利用LASVM算法进行人脸识别,不但识别速度快而且识别...     

基于局部特征融合的邻域排斥度量学习亲属关系认证算法*

针对如何利用人脸图像局部特征进行亲属关系认证的问题,文中提出基于局部特征融合的邻域排斥度量学习亲属关系认证算法.首先抽取脸部的关键区域,分别对每块关键区域提取纹理和肤色特征.然后进行特征融合.最后引入度量学习,学习能使具有亲属关系样本距离变小、非亲属关系样本距离变大的变换矩阵,利用已有数据样本间相似程度的先验知识学习最佳相似性度量,更好地刻画亲属样本间的相似关系.在KinFaceW-I和KinFaceW-II数据库中的实验表明,相比已有的亲属关系认证算法,文中算法性能更好.     

脸部特征定位方法

脸部特征定位是人脸分析技术的一个重要组成部分，其目标是在图象或图象序列中的指定区域内搜索人脸特征(如眼、鼻、嘴、耳等)的位置．它可广泛应用于人脸检测和定位、人脸识别、姿态识别、表情识别、头部像压缩及重构、脸部动画等领域．近年来，该领域的研究有了较大的发展，为了让相关领域内的理论研究和开发人员对目前的进展有一个全面的了解，将近年来提出的脸部特征定位方法根据其所依据的基本信息类型，分为基于先验知识、几何形状、色彩、外观和关联信息等5类，分别作了介绍，同时，对各类方法的性能作了一些比较和讨论，对未来的发展作了展望．     

人脸表情合成算法综述

人脸表情合成技术旨在保留人脸身份信息的情况下,对人脸表情进行重建,从而生成具有新表情的源人脸图像。深度学习的发展为表情合成提供了全新的解决方案,本文从特征提取、生成对抗网络的表情合成和实验评估方面综述了人脸表情合成技术的发展。首先,介绍了人脸特征的提取,这是表情合成任务中的一项关键技术,人脸特征可客观全面地描述人脸表情状态。其次,分析了表情合成领域中主流的基于深度学习的方法,主要针对生成对抗网络（Generative adversarial network,GAN）的发展现状,探讨了基于生成对抗网络的表情合成方法。通过对人脸数据集及实验评估方法的深入研究,总结出广泛使用的人脸表情合成数据集以及多种客观评价方法。最后根据现有方法所存在的问题,提出了未来工作的研究方向。