Deep learning for face
主要有已下几个方向：
Deep face attribute （人脸属性）：如heavy eyebrows（浓眉）、大眼等。
http://www.ee.cuhk.edu.hk/~xgwang/papers/luoWTiccv13a.pdf
Deep face parsing （人脸解析）：
http://www.ee.cuhk.edu.hk/~xgwang/papers/luoWTcvpr12.pdf
Deep face verification （人脸验证）：
http://www.ee.cuhk.edu.hk/~xgwang/papers/sunWTiccv13.pdf
Deep face alignment（人脸对齐）：可利用关键点完成人脸对齐。
http://mmlab.ie.cuhk.edu.hk/archive/CNN_FacePoint.htm
Deep face recognition （人脸识别）：
http://mmlab.ie.cuhk.edu.hk/projects/zhuLWTiccv2013FIP/index.html
数据库角度
以下是可以下载的公开的人脸数据集：
1）人脸检测
|
数据库
|
描述
|
用途
|
获取方法
|
|
FDDB
|
2845张图片中的5171张脸
|
标准人脸检测评测集
|
链接
|
|
IJB-A
|
|
人脸识别，人脸检测
|
链接
|
|
Caltech10k Web Faces
|
10k+人脸，提供双眼和嘴巴的坐标位置
|
人脸点检测
|
链接
|
2）人脸表情
|
数据库
|
描述
|
用途
|
获取方法
|
|
CK+
|
137个人的不同人脸表情视频帧
|
正面人脸表情识别
|
链接
|
3）人脸年龄
|
数据库
|
描述
|
用途
|
获取方法
|
|
IMDB-WIKI
|
包含：IMDb中20k+个名人的460k+张图片 和维基百科62k+张图片, 总共： 523k+张图片
|
名人年龄、性别
|
链接
|
|
Adience
|
包含2k+个人的26k+张人脸图像
|
人脸性别，人脸年龄段(8组)
|
链接
|
|
CACD2000
|
2k名人160k张人脸图片
|
人脸年龄
|
链接
|
4）人脸性别
|
数据库
|
描述
|
用途
|
获取方法
|
|
IMDB-WIKI
|
包含：IMDb中20k+个名人的460k+张图片 和维基百科62k+张图片, 总共： 523k+张图片
|
名人年龄、性别
|
链接
|
|
Adience
|
包含2k+个人的26k+张人脸图像
|
人脸性别，人脸年龄段(8组)
|
链接
|
5）人脸识别
|
数据库
|
描述
|
用途
|
获取方法
|
|
WebFace
|
10k+人，约500K张图片
|
非限制场景
|
链接
|
|
FaceScrub
|
530人，约100k张图片
|
非限制场景
|
链接
|
|
YouTube Face
|
1,595个人 3,425段视频
|
非限制场景、视频
|
链接
|
|
LFW
|
5k+人脸，超过10K张图片
|
标准的人脸识别数据集
|
链接
|
|
MultiPIE
|
337个人的不同姿态、表情、光照的人脸图像，共750k+人脸图像
|
限制场景人脸识别
|
链接 需购买
|
|
MegaFace
|
690k不同的人的1000k人脸图像
|
新的人脸识别评测集合
|
链接
|
|
IJB-A
|
|
人脸识别，人脸检测
|
链接
|
|
CAS-PEAL
|
1040个人的30k+张人脸图像，主要包含姿态、表情、光照变化
|
限制场景下人脸识别
|
链接
|
|
Pubfig
|
200个人的58k+人脸图像
|
非限制场景下的人脸识别
|
链接
|
数据库解析
LFW（Labeled face in wild）是由由美国马萨诸塞大学计算机视觉实验室于2007年发布，图像采集自Yahoo! News, 共包括5749个人，13233张图像，其中1680人有两幅及以上的图像。大多数图像经由Viola-Jones 人脸检测器得到后，被裁剪为固定大小。
目前，在LFW官网上可以查到的中国企业的刷分状态是，face++ 99.5% , 商汤 99.53% ， 腾讯 99.65% , 百度 99.77%，中科奥森 99.77% , 中科云从 99.5%， 北京飞搜科技 99.67% , 颜鉴99.4%，宇泛智能 99%, 中国平安 99.8% 大华 99.78%, 海鑫 99.68% 等，谷歌针对这个人脸识别数据集的刷榜分数是 99.63% 。
MegaFace 是由华盛顿大学（University of Washington）计算机科学与工程实验室于2015年针对名为 ”MegaFace Challenge” 的挑战而发布并维护的公开人脸数据集，是目前最为权威热门的评价人脸识别性能的指标之一。数据集中的人脸图像均采集自Flickr creative commons dataset，共包含690,572个身份共1,027,060张图像。
在2015年10月公布的第一次的MegaFace 挑战结果中，俄罗斯公司NTechLAB以1选的识别准确率73.300%排名第一，谷歌以70.496%排名第二，北京飞搜科技64.803% 排名第三。随后陆续有各个公司和学术组织提交结果，截至2017年11月份，最好的结果已达到91.763%，由俄罗斯的Vocord 公司提交。国内目前最好的结果是腾讯优图实验室提交的83.290%，排名第二，其他较好的4个结果分别为：北京深感科技（81.298%），复旦大学计算机科学实验室（77.982%）和北京飞搜科技（76.661%）, Shanghai Tech ( 74.049% )。
人脸识别专项
发展的历程
|
2014年前
|
2014年
|
2015年
|
2016年
|
2017年
|
2018年
|
|
CRBM
|
DeepFace
|
Facenet
|
CenterLoss
|
NormFace
|
Arcface
|
|
CDBN
|
DeepID
|
VGGface
|
Openface
|
SphereFce
|
CCL
|
|
|
DeepID2
|
DeepID2+
|
|
|
Cosface
|
|
|
FR+FCN
|
DeepID3
|
|
|
|
|
|
|
Face++
|
|
|
|
|
|
|
|
|
|
|
目前的研究成果
1）各大研究者和商业机构近几年的结果展示（LFW网页的展示）：
http://vis-www.cs.umass.edu/lfw/results.html
2）各个研究者在megaface竞赛上的研究结果：
http://megaface.cs.washington.edu/
几种人脸识别方法：
1）最早的利用深度学习的人脸识别算法当属Facebook的DeepFace（2014），该算法的亮点是第一基于3d模型的人脸对齐方法，第二是大数据训练的人工神经网络。
文章：https://www.computer.org/csdl/proceedings/cvpr/2014/5118/00/5118b701-abs.html
Deepface: Closing the gap to humal-level performance in face verification
代码：https://github.com/RiweiChen/DeepFace
2）FR+FCN （2014）
文章：https://arxiv.org/ftp/arxiv/papers/1404/1404.3543.pdf
Recover Canonical-View Faces in the Tild with Deep Neural Networks
3）deepID三部曲(http://www.ee.cuhk.edu.hk/~xgwang/ 王晓刚)（2014-2015）
a)
文章：http://www.ee.cuhk.edu.hk/~xgwang/papers/sunWTcvpr14.pdf
Deep Learning Face Representation from Predicting 10,000 Classes
代码：https://github.com/stdcoutzyx/DeepID_FaceClassify
b)
文章：http://www.ee.cuhk.edu.hk/~xgwang/papers/sunWTarxiv14.pdf
Deep Learning Face Representation by Joint Identification-Verification
代码：https://github.com/chenzeyuczy/DeepID2
c)
文章：http://www.ee.cuhk.edu.hk/~xgwang/papers/sunWTcvpr15.pdf
Deeply learned face representations are sparse, selective, and robust
d)
文章：https://arxiv.org/abs/1502.00873
DeepID3: Face Recognition with Very Deep Neural Networks
4)face++ ：（2015）
文章：http://xueshu.baidu.com/s?wd=paperuri%3A%28628ecff0bf9ee4a3a6cea9d3fbca0fd3%29&filter=sc_long_sign&tn=SE_xueshusource_2kduw22v&sc_vurl=http%3A%2F%2Farxiv.org%2Fabs%2F1501.04690&ie=utf-8&sc_us=11022578337400751839
Nave-Deep Face Recognition: Touching the Limit of LFW Benchmark or Not?
5)Facenet: Google的人脸识别（2015）
文章：https://arxiv.org/abs/1503.03832
FaceNet: A Unified Embedding for Face Recognition and Clustering
代码：https://github.com/davidsandberg/facenet
注：有很多如何使用facenet的博客。
6)VGG-face（2015）
主页：http://www.robots.ox.ac.uk/~vgg/software/vgg_face/
文章：http://www.robots.ox.ac.uk/~vgg/publications/2015/Parkhi15/parkhi15.pdf
Deep Face Recognition
代码：https://github.com/ZZUTK/Tensorflow-VGG-face
7)Baidu方法：（2015）
文章：http://xueshu.baidu.com/s?wd=paperuri%3A%283932460d37f978db26e386460904a032%29&filter=sc_long_sign&tn=SE_xueshusource_2kduw22v&sc_vurl=http%3A%2F%2Farxiv.org%2Fabs%2F1506.07310&ie=utf-8&sc_us=5602776512742270991
Targeting Ultimate Accuracy: Face Recognition via Deep Embedding
8)pose+shape+expression augmentation（2016）
文章：https://link.springer.com/chapter/10.1007%2F978-3-319-46454-1_35
Do We Really Need to Collect Millions of Faces for Effective Face Recognition？
9)CNN-3DMM estimation（2016）
文章：http://xueshu.baidu.com/s?wd=paperuri%3A%283d53e555457c71da8a4fdcccf8a40cce%29&filter=sc_long_sign&tn=SE_xueshusource_2kduw22v&sc_vurl=http%3A%2F%2Farxiv.org%2Fabs%2F1612.04904v1&ie=utf-8&sc_us=76690533762457661
Regressing Robust and Discriminative 3D Morphable Models with a very Deep Neural Network
10)Openface：人脸识别框架（2016）
文章：OpenFace: A general-purpose face recognition library with mobile applications
框架代码： https://github.com/TadasBaltrusaitis/OpenFace 框架代码
较好的博客： https://blog.csdn.net/q505025354/article/details/62417968
11)Centerloss : 2016
文章：http://ydwen.github.io/papers/WenECCV16.pdf
A Discriminative Feature Learning Approach for Deep Face Recognition
介绍：https://blog.csdn.net/u014380165/article/details/76946339
代码：https://github.com/pangyupo/mxnet_center_loss
12)Normface: 2017
文章：https://arxiv.org/abs/1704.06369
NormFace: L2 Hypersphere Embedding for Face Verification
代码：https://github.com/happynear/NormFace
13)Sphereface：2017
文章：https://arxiv.org/abs/1704.08063
SphereFace: Deep Hypersphere Embedding for Face Recognition
代码：https://github.com/wy1iu/sphereface
14)Cosface：2018
文章： Additive Margin Softmax for Face Verification
Wang F, Liu W, Liu H, et al. Additive Margin Softmax for Face Verification[J]. arXiv preprint arXiv:1801.05599, 2018.
15)Arcface：2018
文章：ArcFace: Additive Angular Margin Loss for Deep Face Recognition
Deng J, Guo J, Zafeiriou S. ArcFace: Additive Angular Margin Loss for Deep Face Recognition[J]. arXiv preprint arXiv:1801.07698, 2018.
16)CCL：2018
文章：Face Recognition via Centralized Coordinate Learning
Qi X, Zhang L. Face Recognition via Centralized Coordinate Learning[J]. arXiv preprint arXiv:1801.05678, 2018
| 
转播
