摘要: 人脸活体检测是为了提高人脸识别系统安全性而需要重点研究的问题.本文首先从人脸活体检测的问题出发, 分个体、类内、类间三个层面对人脸活体检测存在的困难与挑战进行了阐述分析.接下来, 本文以算法使用的分类线索为主线, 分类别对人脸活体检测算法及其优缺点进行了梳理和总结.之后, 本文就常用人脸活体检测数据集的特点、数据量、数据多样性等方面进行了对比分析, 对算法评估常用的性能评价指标进行了阐述, 总结分析了代表性人脸活体检测方法在照片视频类数据集CASIA-MFSD、Replay-Attack、Oulu-NPU、SiW以及面具类数据集3DMAD、SMAD、HKBU-MARsV2上的实验性能.最后本文对人脸活体检测未来可能的发展方向进行了思考和探讨.

http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.c180829

成为VIP会员查看完整内容
0
10

相关内容

摘要: 图像异常检测是计算机视觉领域的一个热门研究课题, 其目标是在不使用真实异常样本的情况下, 利用现有的正常样本构建模型以检测可能出现的各种异常图像, 在工业外观缺陷检测, 医学图像分析, 高光谱图像处理等领域有较高的研究意义和应用价值. 本文首先介绍了异常的定义以及常见的异常类型. 然后, 本文根据在模型构建过程中有无神经网络的参与, 将图像异常检测方法分为基于传统方法和基于深度学习两大类型, 并分别对相应的检测方法的设计思路、优点和局限性进行了综述与分析. 其次, 梳理了图像异常检测任务中面临的主要挑战. 最后, 对该领域未来可能的研究方向进行了展望.

http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.c200956

成为VIP会员查看完整内容
0
16

显著性目标检测旨在对图像中最显著的对象进行检测和分割,是计算机视觉任务中重要的预处理步骤之一,且在信息检索、公共安全等领域均有广泛的应用.本文对近期基于深度学习的显著性目标检测模型进行了系统综述,从检测粒度的角度出发,综述了将深度学习引入显著性目标检测领域之后的研究成果.首先,从三个方面对显著性目标检测方法进行了论述:稀疏检测方法,密集检测方法以及弱监督学习下的显著性目标检测方法.然后,简要介绍了用于显著性目标检测研究的主流数据集和常用性能评价指标,并对各类主流模型在三个使用最广泛的数据集上进行了性能比较分析.最后,本文分析了显著性目标检测领域目前存在的问题,并对今后可能的研究趋势进行了展望.

成为VIP会员查看完整内容
0
11

摘要: 人脸亲子关系验证即通过给定的不同人的两幅人脸图像判断其是否具有亲子关系, 是计算机视觉和机器学习领域中一个重要的研究问题, 在丢失儿童寻找、社会媒体分析、图像自动标注等领域具有广泛的应用价值. 随着人脸亲子关系验证问题受到越来越多的关注, 其在多个方面都得到了相应的发展, 本文对人脸亲子关系验证方法做了综述整理. 首先, 简要介绍了人脸亲子关系验证在近十年的研究现状, 随后对问题进行了定义并讨论其面临的挑战. 接下来, 汇总了常用的亲子数据库, 对数据库属性做了详细的总结和对比. 然后, 对人脸亲子关系验证方法进行了分类总结、对比, 以及不同方法的性能表现. 最后, 展望了人脸亲子关系验证今后可能的研究方向.

http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.c201023

成为VIP会员查看完整内容
0
15

面对人工标注大量样本费时费力,一些稀有类别样本难于获取等问题,零样本图像分类成为计算机视觉领域的一个研究热点。首先,对零样本学习,包括直推式零样本学习和归纳式零样本学习进行了简单介绍;其次,重点介绍了基于空间嵌入零样本图像分类方法和基于生成模型零样本图像分类方法以及它们的子类方法,并对这些方法的机制、优缺点和适用场景等进行了分析和总结;然后,简单介绍了零样本图像分类常用数据集和评估方法,并对典型零样本图像分类方法进行了性能比较;接着,指出了现有零样本图像分类中存在的领域漂移、枢纽点和语义鸿沟等问题及相应的解决思路;最后,对零样本图像分类未来发展趋势和研究热点,如判别性区域的准确定位、生成高质量不可见类视觉特征、广义零样本图像分类等进行了探讨。

http://fcst.ceaj.org/CN/abstract/abstract2683.shtml

成为VIP会员查看完整内容
0
30

共识算法是区块链系统维护数据一致性的核心机制。本文深入调研并分析了具有代表性的共识算法及其演化历程;基于共识过程提出共识算法的分类模型,并对各类型中代表性的共识算法进行详细分析;最后从去中心化、可扩展性、安全性、一致性、可用性、分区容忍性六个方面建立了一套共识算法的评价指标体系,并对代表性的共识算法进行对比分析,给出各类算法综合性的性能评价,希望为共识算法的应用与创新提供参考。

http://jcs.iie.ac.cn/xxaqxb/ch/reader/create_pdf.aspx?file_no=20210206&year_id=2021&quarter_id=2&falg=1

成为VIP会员查看完整内容
0
17

摘要: 目标检测技术是光学遥感图像理解的基础问题, 具有重要的应用价值. 本文对遥感图像目标检测算法发展进行了梳理和分析. 首先阐述了遥感图像目标检测的特点和挑战; 之后系统总结了典型的检测方法, 包括早期的基于手工设计特征的算法和现阶段基于深度学习的方法, 对于深度学习方法首先介绍了典型的目标检测模型, 进而针对遥感图像本身的难点详细梳理了优化改进方案; 接着介绍了常用的检测数据集, 并对现有方法的性能进行比较; 最后对现阶段问题进行总结并对未来发展趋势进行展望.

http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.c200596

成为VIP会员查看完整内容
0
27

摘要: 图像修复是计算机视觉领域中极具挑战性的研究课题。近年来,深度学习技术的发展推动了图像修复性能的显著提升,使得图像修复这一传统课题再次引起了学者们的广泛关注。文章致力于综述图像修复研究的关键技术。由于深度学习技术在解决“大面积缺失图像修复”问题时具有重要作用并带来了深远影响,文中在简要介绍传统图像修复方法的基础上,重点介绍了基于深度学习的修复模型,主要包括模型分类、优缺点对比、适用范围和在常用数据集上的性能对比等,最后对图像修复潜在的研究方向和发展动态进行了分析和展望。

http://www.jsjkx.com/CN/10.11896/jsjkx.210100048

成为VIP会员查看完整内容
0
30

单幅图像超分辨率重建是计算机视觉领域上的一个重要问题, 在安防视频监控、飞机航拍以及卫星遥感等方面具有重要的研究意义和应用价值. 近年来, 深度学习在图像分类、检测、识别等诸多领域中取得了突破性进展, 也推动着图像超分辨率重建技术的发展. 本文首先介绍单幅图像超分辨率重建的常用公共图像数据集; 然后重点阐述基于深度学习的单幅图像超分辨率重建方向的创新与进展; 最后讨论了单幅图像超分辨率重建方向上存在的困难和挑战, 并对未来的发展趋势进行了思考与展望.

http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.c190859

成为VIP会员查看完整内容
0
21

摘要:近年来,基于深度学习的表面缺陷检测技术广泛应用在各种工业场景中.本文对近年来基于深度学习的表面缺陷检测方法进行了梳理,根据数据标签的不同将其分为全监督学习模型方法、无监督学习模型方法和其他方法三大类,并对各种典型方法进一步细分归类和对比分析,总结了每种方法的优缺点和应用场景.本文探讨了表面缺陷检测中三个关键问题,介绍了工业表面缺陷常用数据集.最后,对表面缺陷检测的未来发展趋势进行了展望.

成为VIP会员查看完整内容
0
51

简介:

如今,深度学习已被广泛应用于图像分类和图像识别的问题中,取得了令人满意的实际效果,成为许多人 工智能应用的关键所在.在对于模型准确率的不断探究中,研究人员在近期提出了“对抗样本”这一概念.通过在原有 样本中添加微小扰动的方法,成功地大幅度降低原有分类深度模型的准确率,实现了对于深度学习的对抗目的,同时 也给深度学习的攻方提供了新的思路,对如何开展防御提出了新的要求.在介绍对抗样本生成技术的起源和原理的 基础上,对近年来有关对抗样本的研究和文献进行了总结,按照各自的算法原理将经典的生成算法分成两大类——全像素添加扰动和部分像素添加扰动.之后,以目标定向和目标非定向、黑盒测试和白盒测试、肉眼可见和肉眼不可见的二级分类标准进行二次分类.同时,使用 MNIST 数据集对各类代表性的方法进行了实验验证,以探究各种方法的优缺点.最后总结了生成对抗样本所面临的挑战及其可以发展的方向,并就该技术的发展前景进行了探讨.

内容简介:

本文重点对生成对抗样本的已有研究工作进行综述,主要选取了近年来有代表性的或取得比较显著效果的方法进行详细的原理介绍和优缺点分析.按照其生成方式和原理的不同,分为全像素添加扰动和部分像素添 加扰动两类.在此基础上,根据目标是否定向、是否黑盒和是否肉眼可见这 3 个标准进行细分,将各类方法中的 代表性算法在统一数据集(MNIST)上进行测试,验证并分析其优缺点,终总结提出未来的发展前景. 本文第 1 节主要介绍对抗样本的基本概念和基础知识,包括对抗样本本身的定义、其延伸有关的相关概念 以及基本操作流程.第 2 节则指出对抗样本是从深度学习中衍生出来的概念,同时介绍了对抗样本有效性的评估方法.第 3 节则介绍对抗样本的起源,说明了对抗样本的产生契机和原理解释.第 4 节介绍生成对抗样本的发展状况,以全像素添加扰动和部分像素添加扰动两大类进行算法说明,同时总结生成方法中常用的数据集.第 5 节是对第 4 节中代表方法的实验,结合对同一数据集的效果测试来说明各类方法的优缺点.通过这些优缺点,在 第 6 节中讨论对抗样本生成技术面临的挑战和前景预测.

目录:

  • 1 简 介

    • 1.1 样本的定义
    • 1.2 相关概念
    • 1.3 基本操作流程
  • 2 前 传

    • 2.1机器学习在分类问题中的运用
    • 2.2 深度学习在分类问题中的运用
    • 2.3 评估方法
  • 3 起源

    • 3.1 首次发现
    • 3.2 基本原理
  • 4 发 展

    • 4.1 分类方式及代表模型
    • 4.2 常用数据集
  • 5 实验结果对比

  • 6 面临挑战与前景预测

成为VIP会员查看完整内容
0
56
小贴士
相关VIP内容
专知会员服务
16+阅读 · 9月10日
专知会员服务
11+阅读 · 8月27日
专知会员服务
15+阅读 · 5月20日
专知会员服务
30+阅读 · 5月15日
专知会员服务
17+阅读 · 4月9日
专知会员服务
27+阅读 · 3月23日
专知会员服务
30+阅读 · 3月9日
专知会员服务
51+阅读 · 2020年5月31日
【浙江大学】对抗样本生成技术综述
专知会员服务
56+阅读 · 2020年1月6日
相关资讯
图像修复研究进展综述
专知
5+阅读 · 3月9日
基于深度学习的数据融合方法研究综述
专知
6+阅读 · 2020年12月10日
深度学习图像检索(CBIR): 十年之大综述
专知
16+阅读 · 2020年12月5日
多模态视觉语言表征学习研究综述
专知
10+阅读 · 2020年12月3日
【综述】交通流量预测,附15页论文下载
专知
11+阅读 · 2020年4月23日
【中科院】命名实体识别技术综述
专知
11+阅读 · 2020年4月21日
多模态深度学习综述,18页pdf
专知
26+阅读 · 2020年3月29日
【综述】生成式对抗网络GAN最新进展综述
专知
46+阅读 · 2019年6月5日
AI综述专栏 | 人脸检测算法综述
人工智能前沿讲习班
6+阅读 · 2018年9月10日
相关论文
Sneha Gathani,Madelon Hulsebos,James Gale,Peter J. Haas,Çağatay Demiralp
0+阅读 · 9月21日
CARL: Conditional-value-at-risk Adversarial Reinforcement Learning
M. Godbout,M. Heuillet,S. Chandra,R. Bhati,A. Durand
0+阅读 · 9月20日
Robert P. Gilles,Lina Mallozzi,Roberta Messalli
0+阅读 · 9月17日
Wei Chen,Yu Liu,Weiping Wang,Erwin Bakker,Theodoros Georgiou,Paul Fieguth,Li Liu,Michael S. Lew
12+阅读 · 1月27日
Liang Chen,Jintang Li,Jiaying Peng,Tao Xie,Zengxu Cao,Kun Xu,Xiangnan He,Zibin Zheng
33+阅读 · 2020年3月10日
AutoML: A Survey of the State-of-the-Art
Xin He,Kaiyong Zhao,Xiaowen Chu
38+阅读 · 2019年8月14日
Self-Driving Cars: A Survey
Claudine Badue,Rânik Guidolini,Raphael Vivacqua Carneiro,Pedro Azevedo,Vinicius Brito Cardoso,Avelino Forechi,Luan Ferreira Reis Jesus,Rodrigo Ferreira Berriel,Thiago Meireles Paixão,Filipe Mutz,Thiago Oliveira-Santos,Alberto Ferreira De Souza
32+阅读 · 2019年1月14日
Maria-Florina Balcan,Yi Li,David P. Woodruff,Hongyang Zhang
3+阅读 · 2018年10月18日
Chunwei Tian,Yong Xu,Lunke Fei,Ke Yan
4+阅读 · 2018年10月11日
Nils Murrugarra-Llerena,Adriana Kovashka
5+阅读 · 2018年5月8日
Top