02 2022 档案
摘要：##研究背景 表情识别遇到的问题： a）缺少充足的数据 b）表情过于细微，难以辨别 c）主观的，不一致的标签 d）自然条件下的数据包含姿态，强度，遮挡方面的变化 解决方法：基于self-training 的半监督的CNN网络结构 ##网络结构 具体分为四个部分：模型初始训练、使用无标签的数据更新网络
阅读全文
摘要：##Motivation 在表情识别中，标注质量高的数据集数据量小，容易造成过拟合；数据量大的数据集标注质量不佳，含噪声，不利于模型的学习。如下图，为表情识别中最大的数据集之一AffectNet中错误标签。我们提出Progressive Teacher 用于同时解决缺少高质量标注数据和大数据集标注含
阅读全文
摘要：#01 人脸技术的应用 人脸硬件产品：考勤支付，安防监控，医疗美容 人脸软件产品：各类娱乐软件，如美图秀秀 #02 人脸图像算法及其研究方向 人脸检测核心算法 目的：检测图像中是否存在人脸 人脸检测是目标检测的分支，通用的目标检测方法都可以用来做人脸检测 人脸检测的独特模型： 级联模型： 由粗到精，
阅读全文
摘要：##背景： 研究背景：基于 RGB-D 的人脸识别基本上以 2D 人脸识别方法为主，将与 RGB 对齐的深度图作为一个通道送入 CNN 网络，RGB-D 一个优势是增加了人脸的空间形状信息。能够更好的应对大姿态变化和光照变化问题。针对 RGB-D 图像的人脸识别论文基本思想是在特征层融合或是在像素层
阅读全文
摘要：#Semi-supervised Semantic Segmentation with Directional Context-aware Consistency 收录于CVPR2021 原文 ##Motivation 一致性在半监督语义分割中发挥了重大作用，一般意义上的一致性是通过约束弱数据增强方
阅读全文
摘要：CVPR2021 原文 ##半监督语义分割方法的总结： 主要思想： Consistency regularization ：希望不同扰动之下网络的输出结果一致，扰动的加入的位置：（1）在输入图片上加扰动（2）在某一层的输出特征上添加扰动 ##创新点： 鼓励两个初始化不同（不同扰动）的网络的一致性 利
阅读全文
摘要：如图所示，对于一层神经网络来说，当神经元的range远远大于时，加权后得到的输出会极大的收到神经元的影响，即的大小会极大的影响loss的大小，如下图左图所示。由此，为了使得loss变小，收敛，我们需要在不同方向（权重）上应用不同学习率大小，更新参
阅读全文
摘要：#Semi-Supervised Semantic Segmentation with High- and Low-level Consistency TPAMI 2019 论文原文 code 创新点： 利用两个分支结构分别处理low-level和high-level的特征，进行半监督语义分割 ##
阅读全文
摘要：##Adversarial Learning for Semi-Supervised Semantic Segmentation 论文原文 ##摘要 创新点：我们提出了一种使用对抗网络进行半监督语义分割的方法。 在传统的GAN网络中，discriminator大多是用来进行输入图像的真伪分类（Dat
阅读全文
摘要：论文原文原文地址 Motivations 传统的训练方式需要针对不同 domain 的数据分别设计模型，十分繁琐（deploy costs） 语义分割数据集标注十分昂贵，费时费力 Contributions 本文提出的统一模型可以实现跨领域统一训练 模型使用少量的标注数据和大量未标注数据（半监督模型
阅读全文
