facenet
PulseAugur coverage of facenet — every cluster mentioning facenet across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新的DiffAttack方法使用扩散模型欺骗人脸识别系统
研究人员开发了一种名为DiffAttack的新方法，该方法利用潜在扩散模型为人脸识别系统创建对抗性样本。这种方法在扩散模型的潜在空间内进行优化，生成能够欺骗人脸识别模型的人脸，在FFHQ和CelebA-HQ等基准测试中取得了84.86%的攻击成功率。与现有方法相比，DiffAttack表现出更优越的可迁移性，其性能比传统的基于噪声的技术高出15%以上，比基于语义的方法高出约5%。
-
MGFace 管道提高了带口罩人脸识别的准确性
研究人员开发了 MGFace，这是一种新颖的人脸识别管道，可提高人脸被口罩部分遮挡时的准确性。MGFace 通过首先检测是否存在口罩来智能地路由相似性计算。对于未遮挡的人脸，它使用全局嵌入匹配；对于遮挡的人脸，它激活一个感知掩码的补丁级重新排序机制。这种方法提高了识别准确性，特别是对于带口罩的人脸，同时与现有方法相比显著降低了计算开销。
-
MGFace 管道提高了带口罩人脸识别的准确性
研究人员开发了 MGFace，一种新的人脸识别管道，可提高带口罩人脸的准确性。该系统根据人脸是否戴有口罩来有条件地路由相似性计算，仅在必要时应用感知掩码的重新排序方法。这种方法保持了高识别准确性，在 LFW-Mask 数据集上使用 ArcFace 主干实现了超过 90% 的准确率，同时与现有方法相比显著减少了查询时间。
-
新AI攻击利用文本到图像模型冒充人脸
研究人员开发了一个名为Adv-TGD的新型对抗性攻击框架，该框架利用文本引导的扩散模型生成逼真的人脸，能够冒充特定个体并欺骗人脸识别系统。该方法使用文本提示微调轻量级适配器，以生成操纵后的身份信息，同时保持视觉保真度。Adv-TGD在多个基准测试中实现了85.90%的攻击成功率，优于现有方法。
-
AI模型在多物种动物面部识别方面达到高精度
研究人员开发了一种利用迁移学习进行多物种动物面部识别的方法，通过调整在人脸和通用物体识别上训练的模型来进行动物识别。该研究在狗、灵长类动物和牛的数据集上比较了FaceNet和Vision Transformer (ViT)，发现ViT在狗的识别上取得了高精度。虽然对灵长类动物的结果令人鼓舞，但因物种和任务而异，并且未能持续超越现有方法。对于牛的识别，ViT的表现优于最先进水平，而FaceNet也保持了竞争力。
-
新的合成数据集评估人脸识别系统
研究人员推出 CounterFace，这是一个新颖的合成数据集，用于对人脸识别系统进行细粒度评估。该数据集包含 11,821 对反事实人脸，涵盖 20 个人脸属性和 8 个人口统计因素，显著扩展了先前合成数据集的规模。CounterFace 使用全自动化流程生成，无需人工验证合成过程。该数据集被用于评估六个商业和开源人脸识别系统，结果显示性能下降因属性和人口统计因素而异，其中面部遮挡（如口罩和胡须）持续导致性能下降。
-
对比学习提升AI模型鲁棒性和透明度
对比学习是一种机器学习技术，它创建一个嵌入空间，将相似的数据点聚集在一起，并将不相似的数据点分开。该方法可应用于监督和无监督场景，在传统交叉熵损失函数方面具有优势，尤其是在安全关键型应用中。研究表明，监督对比学习通过改进特征归因解释，可以带来更值得信赖和更透明的神经网络。