Ein effektiver Adapter-Ansatz, der bestehende Gesichtserkennungsmodelle verbessert, indem er sowohl niedrigwertige als auch hochwertige Bilder verarbeitet und die Merkmale fusioniert, um die Genauigkeit und Zuverlässigkeit der Gesichtserkennung in realen Umgebungen zu erhöhen.
Es wird ein System zur Gesichtsauthentifizierung für Smartphones vorgestellt, das separate Verlustfunktionen für verschiedene Teilaufgaben wie Gesichtserkennung, Gesichtsfälschungserkennung und Augenschluss-Klassifizierung verwendet, um die Leistung zu verbessern.
Ein neuer tiefer domänenadaptiver Ansatz zur robusten Klassifizierung von Gesichtsausdrücken über Altersgruppen hinweg, der Landmarkenmerkmale mit tiefen Merkmalen fusioniert.
Das vorgeschlagene VIGFace-Modell ermöglicht die Generierung von synthetischen Gesichtsbildern, die eine hohe Konsistenz und Vielfalt aufweisen, ohne Datenschutzbedenken zu verursachen.
Digitale Attributbearbeitung von Gesichtern kann die automatische Gesichtserkennung beeinträchtigen. Um diese Auswirkungen zu mindern, schlagen wir zwei Techniken vor, die lokale und globale Attributbearbeitung durchführen.
Die Arbeit präsentiert eine innovative Methode für die RGB-D Gesichtserkennung, die auf virtueller Tiefensynthese basiert und ein adaptives Vertrauensgewichtungssystem verwendet, um die Genauigkeit zu verbessern.
Automatische Verbesserung der Gesichtsausdrucks entscheidenden Regionen durch lokales und nicht-lokales Netzwerk.
Effiziente Gesichtserkennung durch Quantisierung mit kleinen Datensätzen und geringer Bit-Präzision.