警察必備工具！用空間融合卷積神經網絡鑒別偽裝的「壞蛋」

anyway 發布于2019-04-25 18:17 / 735人閱讀

摘要：劍橋大學印度國家技術學院近日聯合發布了一篇論文，名為利用空間融合卷積神經網絡通過面部關鍵點進行偽裝人臉識別，該論文利用空間融合卷積神經網絡為刑偵過程的人臉識別提供了有力的支持，我們來一窺究竟。

劍橋大學、印度國家技術學院近日聯合發布了一篇論文，名為《利用空間融合卷積神經網絡通過面部關鍵點進行偽裝人臉識別Disguised Face Identification (DFI) with Facial KeyPoints using Spatial Fusion Convolutional Network》，該論文利用空間融合卷積神經網絡為刑偵過程的人臉識別提供了有力的支持，我們來一窺究竟。

偽裝人臉識別（DFI）是一個極具挑戰性的問題，因為使用不同的偽裝便可以引入大量的不同變體。在本論文中將介紹一種深度學習框架，它首先檢測14個面部關鍵點，然后利用它們進行偽裝人臉識別。由于深度學習架構的訓練依賴于大型的帶注釋數據集，因此在這里我們引入了兩個帶注釋的面部關鍵點數據集。針對每個關鍵點，提出了面部關鍵點檢測框架的有效性。通過與其他深度網絡的比較，也間接地證明了關鍵點檢測框架的優越性。同時，與較先進的面部偽裝分類方法相比，分類性能的有效性也得到了體現。

人臉識別是一個重要且非常具有挑戰性的問題。因為通過諸如戴假發，改變發型或發色，佩戴眼鏡，刮掉或長出胡子等，這些面部的變化可以顯著地掩飾身份。Righi等人得出結論是，人臉識別性能的下降是由于諸如衣服和發型等有意的面部改變而造成的，比如假發和眼鏡。為了識別面部，需要使用面部關鍵點來分析面部的形狀。在過去，針對這個問題只做了幾次簡單的嘗試。Tejas等人提出了局部特征描述符來識別偽裝的面部補丁，并使用該信息來改善人臉識別性能。辛格等人使用基于紋理的特征來對偽裝的臉部進行分類。最近，面部關鍵點在面部表情分類、人臉對比、視頻人臉追蹤等應用程序中的應用收到了廣泛歡迎。在過去，為了達到這一目標，已經有無數的嘗試，而現如今已經縮小到兩種主要的較先進方法。第一類方法使用特征提取算法，如Gabor，具有基于紋理和基于形狀的特征，可以檢測不同的面部關鍵點。第二類方法利用概率圖形模型來捕獲像素和特征之間的關系，以檢測面部關鍵點。深度網絡在不同計算機視覺任務中的優越性能促使了大家使用深度網絡進行面部關鍵點檢測。Sun等人定義了一個捕獲全局高級特征的三層架構，然后細化初始化以定位關鍵點的位置。Haavisto等人使用了預訓練的深度信念網絡，其在周圍前饋神經網絡中具有高斯線性輸出層，以檢測面部關鍵點。對于這種應用程序來說，深度神經網絡的使用是非常具有挑戰性的，因為訓練深度網絡所需的帶注釋訓練數據的數量是不足以進行的（小的：AR和Yale面部數據庫），從而迫使設計者使用遷移學習。遷移學習通常來說表現是很好的，但由于訓練數據的數量可能不足以微調預訓練的深度網絡，因此性能可能會有所降低。

圖1：左圖:說明了用于引入數據集的帶有注釋的14個面部關鍵點。臉部關鍵點描述如下：眼睛區域（青色）：P1-左眉外角，P2-左眉內角，P3-右眉內角，P4-右眉外角，P5-左眼外角，P6-左眼中心，P7-左眼內角，P8-右眼內角，P9-右眼中心，P10-右眼外角; 鼻子區域（黃色）：P11鼻子; 唇部區域（綠色）P12-唇部左角，P13-唇部中心，P14-唇部右角。右圖沒有顯示關鍵點。

圖2：該圖顯示了與簡單和復雜面部偽裝（FG）數據集不同偽裝的樣本圖像。從圖像中可以看出，復雜背景數據集中的樣本與簡單數據集相反，具有相對復雜的背景。

本文介紹了面部關鍵點檢測框架，用于偽裝人臉識別。框架首先使用深度卷積網絡來檢測14個面部關鍵點，如圖1所示，被認為是人臉識別的必要條件。然后將檢測到的點連接以形成星形網狀結構（圖3）。然后利用所提出的分類框架對星網結構中連接點之間的方向進行人臉識別。本文還介紹了兩個注釋的面部偽裝數據集，以改進深度卷積網絡的訓練，因為它們依賴于大型訓練數據集。

圖3：關鍵點檢測流水線：圖解顯示所有p1-p14關鍵點生成的空間融合卷積網絡熱圖的位置。圖中還顯示了通過組合關鍵點形成的網狀結構。上面的圖中也顯示了選定的卷積層激活所有8個轉換層網絡的輸入圖像。

本文的主要貢獻如下：

偽裝人臉識別（DFI）框架：提出的框架使用空間融合深度卷積網絡從面部提取14個關鍵點，被認為是描述面部結構的關鍵。提取的點被連接以形成星形網絡結構（圖3）。所提出的分類框架使用連接點的方向進行人臉識別。

簡單和復雜的人臉偽裝數據集：用于面部關鍵點檢測的深度卷積網絡的訓練需要大量的數據。然而，這些數據集不可用（小： AR人臉數據庫和耶魯人臉數據庫），因為研究人員以來遷移學習來檢測面部關鍵點。遷移學習往往表現良好，但如果數據不足以微調預先訓練的網絡，則可能表現不佳。為了避免上述問題，我們提出了兩個簡單而復雜的人臉偽裝（FG）數據集，將來可能被研究人員用于訓練人臉關鍵點檢測的深度網絡。

所提出的框架用于對引入的數據集執行偽裝人臉識別。為兩個數據集的每個關鍵點提供平均鍵點檢測精度。此外，還對所提出的管道與其他關鍵點檢測方法進行了廣泛的比較。最后，與較先進的人臉偽裝分類方法相比，分析流程的有效性也得到了體現。

本文提出了偽裝人臉識別（DFI）框架，首先檢測面部關鍵點，然后使用它們進行人臉識別。該框架在簡單而復雜的兩個人臉偽裝（FG）數據集上進行了評估。該框架表現優于關鍵點檢測和人臉偽裝分類的較先進的方法。在引入的數據集中偽裝的大量圖像將改善深入學習網絡的訓練，避免了執行遷移學習的需要。

歡迎加入本站公開興趣群

商業智能與數據分析群

興趣范圍包括各種讓數據產生價值的辦法，實際應用案例分享與討論，分析工具，ETL工具，數據倉庫，數據挖掘工具，報表系統等全方位知識

QQ群：81035754

GPU云服務器云服務器站長必備工具安卓開發必備工具 ios開發必備工具 java開發必備工具

文章版權歸作者所有，未經允許請勿轉載,若此文章存在違規行為，您可以聯系管理員刪除。

轉載請注明本文地址：http://specialneedsforspecialkids.com/yun/4614.html

GAN--提升GAN訓練的技巧匯總

摘要：特征匹配改變了生成器的損失函數，以最小化真實圖像的特征與生成的圖像之間的統計差異。我們建議讀者檢查上使用的損失函數和相應的性能，并通過實驗驗證來設置。相反，我們可能會將注意力轉向尋找在生成器性能不佳時不具有接近零梯度的損失函數。前 ?言GAN模型相比較于其他網絡一直受困于三個問題的掣肘：?1. 不收斂；模型訓練不穩定，收斂的慢，甚至不收斂；?2. mode collapse; 生成器產生的...

amuqiao 2019-04-25 18:32 評論0 收藏0
生成式對抗網絡（GAN）如何快速理解？

摘要：目前，生成對抗網絡的大部分應用都是在計算機視覺領域。生成對抗網絡生成對抗網絡框架是由等人于年設計的生成模型。在設置中，兩個由神經網絡進行表示的可微函數被鎖定在一個游戲中。我們提出了深度卷積生成對抗網絡的實現。讓我們假設這樣一種情景：你的鄰居正在舉辦一場非常酷的聚會，你非常想去參加。但有要參加聚會的話，你需要一張特價票，而這個票早就已經賣完了。而對于這次聚會的組織者來說，為了讓聚會能夠成功舉...

Leo_chen 2019-04-25 18:24 評論0 收藏0
最強GAN修圖魔術師：美顏生發摘眼鏡、草繪秒變真人臉

摘要：該研究成果由韓國團隊發表于論文地址訓練數據恰當的訓練數據有助于提高網絡訓練性能。在將損失函數應用于輸入圖像之前，用輸入圖像替換了掩模外部的圖像的剩余部分。總體損失函數如下其中，發生器用進行訓練，鑒別器用進行訓練。為一個設計師，是否整天因為繁瑣枯燥的修圖工作不勝其煩？現在，一款基于GAN的AI修圖大師可以將你從這類工作中解放出來。修輪廓、改表情、生發、加耳環、去眼鏡、補殘圖，你能想到的它都能...

xialong 2019-04-25 18:31 評論0 收藏0