今天和大家聊聊人脸识别。
人脸识别的技术经过不断发展已经相当成熟，在门禁、监控、手机解锁、移动支付等实际场景都能看到。我们比较熟悉的识别方式是基于可见光图像的人脸识别，这种方式有个非常明显的缺点：光线限制。
在近两年的人脸识别研究中，针对光线限制以及其他方面问题的解决方案有了许多突破性进展，我简单整理了其中一部分个人认为很不错的文章来和大家分享，想要了解人脸识别最新技术的同学可以收藏一下慢慢看，新的idea看着看着就来了。
篇幅原因这里只放简单介绍，完整论文和代码看文末
2023
1.Micron-BERT: BERT-based Facial Micro-Expression Recognition
微表情识别中的Micron-BERT：基于BERT的面部微表情识别
简述：论文提出了一种新的面部微表情识别方法Micron-BERT。以往的BERT模型在CV任务中仅能处理完整的图像或视频，无法准确捕捉面部微表情的细节。该方法的创新点在于提出了对角微注意力机制来检测两帧图像的细微差异，以及感兴趣区域模块来定位和突出微表情区域。这两点关键技术的引入，使Micron-BERT可以在大规模无标注数据集上进行自监督训练，并在多个微表情识别基准测试集上取得状态最好的性能。
2.SqueezerFaceNet: Reducing a Small Face Recognition CNN Even More Via Filter Pruning
通过滤波器修剪进一步压缩小型人脸识别CNN
简述：该论文提出了轻量级人脸识别模型SqueezerFaceNet。针对现有模型参数量大，不适合移动设备的问题，论文基于重要性打分的网络剪枝方法，从一个已有较小模型开始，进一步压缩模型参数量，同时保持识别性能。这是第一个在人脸识别任务上评估网络修剪方法，获得了模型压缩比例可达40%的效果。
3.Towards Effective Adversarial Textured 3D Meshes on Physical Face Recognition
针对物理人脸识别的有效对抗纹理3D网格
简述：该论文提出一种针对物理人脸识别的对抗攻击方法。该方法设计了具有精心拓扑结构的对抗纹理3D网格，可以印制在人脸上来欺骗面部识别系统。为了提高黑盒攻击的有效性，该方法在3D形态模型的低维空间进行优化，而不是高维的网格空间。实验表明，该方法可以有效攻击多个商用面部识别系统。
2022
1.A Survey of Face Recognition
人脸识别综述
简述：本文概述了人脸识别的发展历史、流程、基于传统手工设计特征或深度学习的算法、主流训练集和评估数据集以及相关应用。论文尽可能多地分析和比较了最新研究成果，并仔细设计了一系列实验来研究backbone大小和数据分布的影响。
2.AdaFace: Quality Adaptive Margin for Face Recognition
人脸识别的质量自适应边际
简述：对于低质量人脸图像的识别，论文提出了一种根据图像质量自适应调节样本损失函数权重的方法：使用特征向量的L2范数近似图像质量，对于易样本，图像质量越高，损失函数权重越大；对于难样本，图像质量越高，损失函数权重越大，这样可以让模型更关注质量较好的难样本，从而在低质量人脸数据集上获得较好的识别效果。
3.Physically-Based Face Rendering for NIR-VIS Face Recognition
基于物理的近红外-可见光人脸渲染用于人脸识别
简述：该论文提出一种从可见光人脸生成对应的近红外人脸的方法，主要是先从大规模2D人脸数据集中重建3D人脸形状和皮肤反射率，然后将可见光反射率转换为近红外反射率，使用基于物理的渲染器合成近红外与可见光人脸图像，同时设计损失函数缩小近红外与可见光的域间差异并聚焦身份特征，这样合成的大规模近红外-可见光人脸数据集可以有效提升近红外与可见光人脸识别的性能。
4.Killing Two Birds with One Stone: Efficient and Robust Training of Face Recognition CNNs by Partial FC
通过部分全连接层有效且稳健地训练人脸识别CNN
简述：这篇文章提出了一种称为“部分全连接层”的方法来优化人脸识别中的大规模分类问题。关键创新点是改进了全连接层的计算，全连接层按类别中心划分，但每次迭代只选择更新一小部分类别中心，而不是对全部类别中心进行更新计算。这样既减少了计算量，也减少了类别间的冲突，较少类别样本也能得到更多学习。
5.An efficient training approach for very large scale face recognition
非常大规模人脸识别的一种高效训练方法
简述：这篇论文提出一种更快的人脸分类训练方法，主要是使用动态类池来代替全连接层存储和更新身份特征，并设计了双数据加载器，只用部分身份样本来更新参数而不需要全部身份，还利用半精度浮点数降低GPU内存使用，这样可以在不损失效果的前提下，大大减少超大规模人脸数据集上的训练时间和计算资源消耗。
6.Enhancing Face Recognition With Self-Supervised 3D Reconstruction
基于自监督3D重建来增强人脸识别
简述：这篇文章提出一种通过自监督3D人脸重建来增强面部识别的方法。关键创新是增加了一个3D重建的辅助损失函数。具体来说，文章使用两个辅助网络，第一个网络估计照明和姿态，第二个网络从面部识别网络中间特征中解码出规范的面部深度和反照率信息。整个网络同时优化面部识别损失和3D重建损失。这样可以迫使识别网络关注与身份相关的面部深度和反照率信息，而不被姿态和照明干扰。
7.PatchNet: A Simple Face Anti-Spoofing Framework via Fine-Grained Patch Recognition
通过细粒度人脸区域识别实现简单的人脸反欺诈框架
简述：这篇文章提出了一个称为 PatchNet 的简单而有效的面部反欺诈框架。其关键创新是将面部反欺诈任务重新定义为面部图像局部区域的细粒度识别问题，也就是识别面部图像不同局部区域的拍摄设备和材质组合。这种方法充分利用了局部区域中的微小差异特征，可以大幅提高模型对 spoofing 的识别能力。
8.Learning to Learn across Diverse Data Biases in Deep Face Recognition
在深度人脸识别中学习跨不同数据偏差进行学习
简述：这篇文章研究了深度面部识别中的数据偏差问题，它指出训练数据通常存在多种偏差，如人种、姿态、遮挡等。文章提出了一种样本加权的方法，可以同时考虑这多个因素对样本重要性的影响，通过元学习获得样本权重。这样可以平衡不同偏差造成的数据不平衡，提高模型的泛化能力。
关注下方《学姐带你玩AI》🚀🚀🚀
回复“人脸识别”获取论文+代码合集
码字不易，欢迎大家点赞评论收藏！
