嘘~ 正在从服务器偷取页面 . . .

人脸相关


⚠️ 以下所有内容总结都来自于 大语言模型的能力,如有错误,仅供参考,谨慎使用
🔴 请注意:千万不要用于严肃的学术场景,只能用于论文阅读前的初筛!
💗 如果您觉得我们的项目对您有帮助 ChatPaperFree ,还请您给我们一些鼓励!⭐️ HuggingFace免费体验

2025-04-30 更新

xEdgeFace: Efficient Cross-Spectral Face Recognition for Edge Devices

Authors:Anjith George, Sebastien Marcel

Heterogeneous Face Recognition (HFR) addresses the challenge of matching face images across different sensing modalities, such as thermal to visible or near-infrared to visible, expanding the applicability of face recognition systems in real-world, unconstrained environments. While recent HFR methods have shown promising results, many rely on computation-intensive architectures, limiting their practicality for deployment on resource-constrained edge devices. In this work, we present a lightweight yet effective HFR framework by adapting a hybrid CNN-Transformer architecture originally designed for face recognition. Our approach enables efficient end-to-end training with minimal paired heterogeneous data while preserving strong performance on standard RGB face recognition tasks. This makes it a compelling solution for both homogeneous and heterogeneous scenarios. Extensive experiments across multiple challenging HFR and face recognition benchmarks demonstrate that our method consistently outperforms state-of-the-art approaches while maintaining a low computational overhead.

异质人脸识别(HFR)解决了不同感知模式下面部图像匹配的挑战,如热成像到可见光或近红外到可见光,扩大了人脸识别系统在现实、无约束环境中的适用性。虽然最近的HFR方法已经显示出有希望的结果,但许多方法依赖于计算密集型的架构,限制了它们在资源受限的边缘设备上的实用性。在这项工作中,我们通过适应原本用于人脸识别设计的混合CNN-Transformer架构,提出了一个轻便有效的HFR框架。我们的方法能够在最小的配对异质数据下进行高效的端到端训练,同时在标准的RGB人脸识别任务上保持强劲性能,这使得它成为同质和异质场景下的理想解决方案。在多个具有挑战性的HFR和人脸识别基准测试上的广泛实验表明,我们的方法始终优于最新技术,同时计算开销较低。

论文及项目相关链接

PDF 11 pages

Summary
本文介绍了异构人脸识别(HFR)面临的挑战以及一种新的解决方案。通过适应混合CNN-Transformer架构,实现了一种轻量级且有效的HFR框架,可在不同感知模式下匹配人脸图像。该方法可实现高效端到端训练,具有较少的配对异构数据需求,同时在标准RGB人脸识别任务上表现良好。适用于同质和异质场景,并在多个具有挑战性的HFR和人脸识别基准测试中表现优异。

Key Takeaways

  1. 异构人脸识别(HFR)旨在匹配不同感知模式下的人脸图像,如热成像与可见光或近红外与可见光。
  2. 新的HFR框架采用轻量级设计,基于混合CNN-Transformer架构,适用于资源受限的边缘设备。
  3. 该方法可实现高效端到端训练,只需少量配对异构数据。
  4. 在标准RGB人脸识别任务上表现良好,适用于同质和异质场景。
  5. 在多个具有挑战性的HFR和人脸识别基准测试中,该方法性能优于现有技术。
  6. 该框架的适用性广泛,可用于真实世界、无约束环境中的面孔识别。

Cool Papers

点此查看论文截图


文章作者: Kedreamix
版权声明: 本博客所有文章除特別声明外,均采用 CC BY 4.0 许可协议。转载请注明来源 Kedreamix !
 上一篇
无监督/半监督/对比学习 无监督/半监督/对比学习
无监督/半监督/对比学习 方向最新论文已更新,请持续关注 Update in 2025-04-30 Co-Training with Active Contrastive Learning and Meta-Pseudo-Labeling on 2D Projections for Deep Semi-Supervised Learning
下一篇 
检测/分割/跟踪 检测/分割/跟踪
检测/分割/跟踪 方向最新论文已更新,请持续关注 Update in 2025-04-30 More Clear, More Flexible, More Precise A Comprehensive Oriented Object Detection benchmark for UAV
  目录