基于自监督深度学习的人脸表征及三维重建

非约束条件下,由于传统神经网络对于单个个体人脸表情变化过于敏感而对不同个体间人脸灵敏度有限,从而导致构建的三维模型几何特征与个体不匹配。针对上述问题,提出一种基于具有较强鲁棒性的自监督深度学习的人脸表征及三维重建算法,有效利用二维人脸的特征点信息自动映射到三维空间中实现三维人脸重建。选用Efficient Net为主体框架获取面部特征向量及三维形变模型参数,并在孪生神经网基础上引入对比损失函数扩大类间间距,减少类内间距,同时提出身份损失函数保留特征空间中同一个体的身份信息增强对形变的鲁棒性。在300W—LP和AFLW2000—3D数据集上,该算法均有不错的表现。

基于联合损失和恒等映射的动态人脸识别

在视频及非约束条件下获取的动态人脸受到姿态、表情和侧脸等复杂干扰因素,使其识别难度增大。针对上述问题,提出一种基于联合损失和恒等映射的动态人脸识别算法。以Resnet34为基础网络,联合SoftMax Loss,中心损失(Center Loss)和Joint Loss扩大人脸类间距;减小人脸类内距,同时在网络中引入深度残差恒等映射模块,进一步减小侧脸的干扰。在LFW,SLFW,YTF,MegaFace等数据集上,所提算法表现出更强的性能,并且在实验平台上能完成实时视频动态人脸识别的任务。