1、綜述類

（1）Deep Face Recognition: A Survey【2019】
https://arxiv.org/abs/1804.06655
總結(jié)了深度學習在人臉識別領域的最新應用情況，1、不同的神經(jīng)網(wǎng)絡架構(gòu)和損失函數(shù) 2、對于“一對多增強”（one-to-many augmentation）和“多對一普遍化”（many-to-one normalization）兩類面部處理的過程，總結(jié)對比了常用的數(shù)據(jù)庫3、關注了復雜場景，例如：交叉因素、異構(gòu)、多媒體、工業(yè)場景 4、總結(jié)了當前方法存在的缺陷和未來方向

（2）Face Recognition: From Traditional to DeepLearning Methods【2018】
https://arxiv.org/abs/1811.00116
總結(jié)了從傳統(tǒng)人臉識別方法，包括基于幾何的、基于整體的、基于特征的與混合的，到深度學習方法

2、2D人臉識別(2D face recognition)

（3）P2SGrad: Refined Gradients for Optimizing Deep Face Models[2019]
利用概率相似度梯度（P2SGrad)更新神經(jīng)網(wǎng)絡參數(shù),P2SGrad在訓練中穩(wěn)定，噪聲強，并且在LFW，MegaFace 和IJB-C 這三個面部識別基準上均達到了最新的性能

（4）UniformFace: Learning Deep Equidistributed Representation for FaceRecognition[2019]
統(tǒng)一損失函數(shù)，人臉識別深度學習的均勻分布表示法

（5）AdaCos: Adaptively Scaling Cosine Logits for Effectively Learning Deep Face Representations【2019】
https://arxiv.org/abs/1905.00292
一種基于余弦的softmax損失函數(shù)，它沒有超參數(shù)，并利用自適應比例參數(shù)來自動增強訓練過程中的監(jiān)督

（6）AdaptiveFace: Adaptive Margin and Sampling for Face Recognition【2019】
在基于邊距的Softmax損失函數(shù)中提出了自適應余量Softmax來自適應地調(diào)整不同類的余量；在采樣過程中提出了“硬原型挖掘”，以并引入了自適應數(shù)據(jù)采樣以找到有價值的樣本進行自適應訓練

（7）ArcFace: Additive Angular Margin Loss for Deep Face Recognition【2019】
提出了一個附加的角余量損失（ArcFace），以獲取用于面部識別的高度區(qū)分特征

（8）Additive Margin Softmax for Face Verification【2018】
為Softmax損失函數(shù)引入了一種新穎的加法角余量，它比現(xiàn)有成果具有直觀的吸引力和更多的可解釋性。

（9）SphereFace: Deep Hypersphere Embedding for Face Recognition【2018】
提出了角度softmax（A-Softmax）損失函數(shù)，它使卷積神經(jīng)網(wǎng)絡（CNN）能夠?qū)W習角度判別特征。

（10）Large-Margin Softmax Loss for Convolutional Neural Networks【2018】
提出了L-Softmax損失函數(shù)

3、人臉檢測(face detection)

（11）ISRN:Improved Selective Refinement Network for Face Detection【2019】
https://arxiv.org/abs/1901.06651
利用Selective Refinement Network選擇性優(yōu)化網(wǎng)絡進行人臉檢測

（12）VIM FD:Robust and High Performance Face Detector【2019】
https://arxiv.org/abs/1901.02350
利用像DenseNet-121這樣更強大的骨干網(wǎng)絡得到VIM-FD的人臉檢測

（13）RetinaFace: Single-stage Dense Face Localisation in the Wild【2019】
RetinaFace利用聯(lián)合監(jiān)督和自我監(jiān)督的多任務學習優(yōu)勢，在各種比例的面部上執(zhí)行像素級面部定位。

（14）SRN:Selective Refinement Network for High Performance Face Detection【2018】
https://arxiv.org/abs/1809.02693
將新型的兩步分類和回歸操作選擇性地引入選擇性優(yōu)化網(wǎng)絡（SRN）

（15）DSFD: Dual Shot Face Detector【2018】
https://arxiv.org/abs/1810.10220
DSFD

（16）FAN:Feature Agglomeration Networks for Single Stage Face Detection【2017】
https://arxiv.org/abs/1712.00721
提出“特征集聚網(wǎng)絡”（FANet）框架

(17)PyramidBox: A Context-assisted Single Shot Face Detector【2018】
https://arxiv.org/abs/1803.07737?context=cs
提出了一種新穎的利用上下文輔助人臉識別，名為PyramidBox

(18)S3FD: Single Shot Scale-invariant Face Detector【2017】
https://arxiv.org/abs/1708.05237
提出了單鏡頭縮放不變?nèi)四樧R別（S3FD），單個深度神經(jīng)網(wǎng)絡在各種比例的面部上都具有出色的性能，特別是對于小面部。

(19)SSH: Single Stage Headless Face Detector【2017】
Single Stage Headless (SSH)面部識別

(20)HR:Finding Tiny Faces【2017】
探討了規(guī)模在預先訓練的深度網(wǎng)絡中的作用，提供了將針對有限規(guī)模調(diào)整到相當極端范圍的網(wǎng)絡進行推斷的方法。

(21)ICC-CNN:Detecting Faces Using Inside Cascaded Contextual CNN【2017】
https://ieeexplore.ieee.org/document/8237606
用內(nèi)部層疊結(jié)構(gòu)，引入人臉/非人臉分類器在同一CNN中的不同層，體系結(jié)構(gòu)自適應地利用身體部位信息來增強面部檢測

(22)FACE R-CNN:Face R-CNN【2017】
利用了多種新技術，包括新的多任務損失函數(shù)設計，在線硬示例挖掘以及多尺度訓練策略，以在多個方面改進Faster R-CNN。

4、人臉特征點定位(face alignment)

(23)LAB:Look at Boundary: A Boundary-Aware Face Alignment Algorithm【2018】
https://arxiv.org/abs/1805.10483
利用邊界線作為人臉的幾何結(jié)構(gòu)來幫助臉部界標定位，提出一種新穎的邊界感知人臉對齊算法

(24)PRNet:Joint 3D Face Reconstruction and DenseAlignment with Position Map RegressionNetwork【2018】

(25)PFLD: A Practical Facial Landmark Detector【2019】
研究了一種在野生環(huán)境下（例如不受約束的姿勢，表情，光照和遮擋條件）以及在移動設備上具有超實時速度的，具有良好檢測精度的人臉檢測模型

(26)2D&3D FAN:How far are we from solving the 2D & 3D Face Alignment problem? (and adataset of 230,000 3D facial landmarks)【2018】
研究了現(xiàn)有的2D和3D人臉特征點定位數(shù)據(jù)集與深度神經(jīng)網(wǎng)絡要達到的性能之間的距離

5、3D人臉建模(3D face reconstruction)
(27)3DMM+CNN:Regressing Robust and Discriminative 3D Morphable Modelswith a very Deep Neural Network【2016】
3DMM+CNN

(28)3DMM+STN:3D Morphable Models as Spatial Transformer Networks[2017]
https://arxiv.org/abs/1708.07199
3DMM+STN

(29)3DDFA:Face Alignment in Full Pose Range: A 3D Total Solution[2018]
https://arxiv.org/abs/1804.01005
3DDFA

(30)2DASL:Joint 3D Face Reconstruction and Dense Face Alignment from A Single Image with 2D-Assisted Self-Supervised Learning[2019]
https://arxiv.org/abs/1903.09359
2DASL

總結(jié)

以上是生活随笔為你收集整理的人脸识别技术 近期文献整理30篇的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。