人工智能深度学习实现基于对抗的公共摄像头低分辨率人脸识别（特约点评：人工智能深度学习实现基于对抗的公共摄像头低分辨率人脸识别对于真实图像与低分辨率图像结合的人脸识别研究指出了新的方向，这个创新点趣说人工智能必须推荐。来自网友小星的推荐！）
人工智能深度学习实现基于对抗的公共摄像头低分辨率人脸识别简介：近年来，我们在人脸识别系统性能方面取得了巨大的进步，特别是在采用不同的专门设计的深度学习架构时。一些基于深度学习模型的最先进的方法，在公共人脸数据集上的准确率超过99％作为LFW [14]。尽管这些算法可以有效地处理姿态变化很大的人脸，但这些人脸通常需要较大的面积。此外，还需要预处理技术，如脸部正面化和脸部对齐。这些程序（专为高分辨率人脸图像数据设计）不能直接应用于低质量人脸图像。在广泛的公共场所使用监视系统的情况正在增加，在检测到的人脸分辨率较低的环境中为人脸识别创造了具有挑战性的用例。本文的研究是由此需求驱动的。用于在监控场景中拍摄的图像的实际人脸识别系统可以解决人脸识别任务（使用监视列表）和人脸重新识别任务（其中主体与监视系统中先前的外观相匹配）。
人工智能深度学习实现基于对抗的公共摄像头低分辨率人脸识别结构：以下是本文的简要路线图，在第二节中，我们对公共交通站点或建筑物内检查站的运营监视摄像机网络收集的几个新发布的真实监视数据集进行了文献回顾和总结。在第III-A节中，我们展示了通过评估最先进的超分辨率方法获得的几个基线人脸识别结果。还介绍了使用来自两个流行人脸数据集（AR [32]和YouTube Faces（YTF）[55]）的低分辨率人脸输入的超分辨率增强人脸识别技术的性能总结。显示了在受控环境中捕获的面部识别与识别野外捕获的面部之间的性能差距。在第III-B节中，我们介绍了使用中心正则化的低分辨率人脸识别任务。这项工作的目标是学习一个共同的特征空间，该特征空间可以在特征空间中尽可能接近地找到同一主题的低分辨率和高分辨率的人脸图像，而不会产生数千对训练对。通过对两个不同数据集进行全面评估，我们能够显示采用低分辨率输入时开放式和闭合式人脸识别之间的性能差距。在第III-C节中，我们首先根据名为VBOLO的真实监测数据集，总结了我们以前的工作[24]中的发现。针对LR监视人脸图像a设计和评估了不同的深层架构作为基线结果，并通过引入完全卷积空间金字塔池（SPP）来改进。为了在更大规模的数据上实现性能的能力，我们进一步研究了在线收集的视频或图像中的几个监视和低分辨率数据集的脸部重新识别。此外，我们还提出了一种新颖的基于DCGAN的预..方法，以进一步提高性能。
