• 主题
高级搜索  >
历史搜索 清空历史
首页> 外文会议>2016 International Conference on Biometrics >Fine-grained LFW database
【24h】

Fine-grained LFW database

机译：细粒度的LFW数据库

获取原文
获取原文并翻译 | 示例
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

Current deep learning methods have achieved human-level performance on Labeled Faces in the Wild (LFW) database, but we think it is because that the limited number of pairs on LFW do not capture the real difficulty of large-scale unconstrained face verification problem. Besides the intra-class variations like pose, illumination, occlusion and expression, highly visually similarity of different persons' faces is an another challenge. It is unavoidable in large dataset and many researchers ignore it. Therefore, in this paper, we firstly select some visually similar pairs in LFW database by combining the deep learning method and human annotation results. Preserving the matched pairs and replacing the mismatched pairs of LFW with the selected similar pairs, we obtain the Fine-grained LFW (FGLFW) database which can better reflect the real difficulty of face verification. Experimental results show that methods achieving not bad performance on LFW drops more than 11% even 25% on FGLFW. It reflects that visually similar pairs are difficult to current methods and our FGLFW database is a quite challenging database. Researchers still have a long way to go for solving face verification problem on such a database.
机译：当前的深度学习方法已经在Wild（LFW）数据库中的“人脸标签”上达到了人类级别的性能，但是我们认为这是因为LFW上对的数量有限，并未捕捉到大规模无约束人脸验证问题的真正难度。除了姿势，照明，遮挡和表情之类的内部变化之外，不同人的面部在视觉上的高度相似性是另一个挑战。在大型数据集中这是不可避免的，许多研究人员忽略了它。因此，本文首先结合深度学习方法和人工标注结果，在LFW数据库中选择一些视觉上相似的对。通过保留匹配对并用选定的相似对替换不匹配的LFW对，我们获得了细粒度的LFW（FGLFW）数据库，该数据库可以更好地反映人脸验证的真实难度。实验结果表明，在LFW上实现良好性能的方法在FGLFW上的下降幅度超过11％，甚至下降25％。它反映出视觉上相似的对很难使用当前的方法，而且我们的FGLFW数据库是一个非常具有挑战性的数据库。解决此类数据库上的人脸验证问题，研究人员还有很长的路要走。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号