CCBR 2018 乌鲁木齐

CCBR 2018 TUTORIALS

CCBR2018生物特征识别技术讲习班

主题:    深度人脸分析
时间:     2018年8月10日  15:30

      随着互联网,特别是移动互联网的发展,一个以信息爆炸为特征的大数据时代正在到来。而人脸数据具有采集的非接触性、非强制性、操作简单、结果直观、隐蔽性好等特点,为人们所广泛接受。受益于“深度学习 + 大数据”技术路线突飞猛进,如何使机器能够对现有的人脸图像进行自动分析是当前机器学习、计算机视觉和图形学等领域的重要研究内容之一。如今,人脸分析在智能手机、金融支付、公安司法、边检通关、交互娱乐、卫生医疗、公共安全等方面有着广泛的应用场景。

      人脸分析包含了对人脸数据进行的重建、编辑、解释和识别等一系列分析任务。其研究内容可以大体分为理论研究和应用研究两个方向,其中理论研究涵盖了深度学习、迁移学习、强化学习、弱监督学习等内容,而应用研究则涉及人脸对齐、人脸旋转、表情合成、属性编辑等方面 [9] 。本课程以深度学习框架为基础,对人脸分析的理论和应用进行深度剖析,主要内容包含【人脸分析基础】和【人脸分析应用】两部分。首先,基础部分将从全光人脸分析、视觉拓扑优先、生成对抗结构和身份保持结构等方面介绍深度人脸分析问题中所涉及的主要基础理论和方法;而后,应用部分将从人脸图像旋转、表情编辑与属性合成、面部上妆去妆和图像超分辨率等方面介绍深度人脸分析的具体应用场景及其最新进展。相关研究工作发表在 IEEE TPAMI 、 TIFS 、 ICCV 、 CVPR 、 AAAI 等一系列期刊和会议上。

课程内容:

I. 人脸图像分析基础

  1. 全光人脸分析
  2. 视觉拓扑优先
  3. 生成对抗结构
  4. 身份保持结构

II. 人脸图像分析应用

  1. 人脸图像旋转
  2. 表情编辑和属性合成
  3. 跨光谱异质人脸分析
  4. 人脸图像上妆去妆
  5. 人脸图像超分辨率
III. 提问与讨论
温馨提示:
      本课程学员需对深度学习、生成对抗网络、生物特征识别等相关内容有所了解。
参考文献:

[1] Ran He, Xiang Wu, Zhenan Sun, Tieniu Tan. Wasserstein CNN: Learning Invariant Features for NIR-VIS Face Recognition. IEEE Trans. Pattern Analysis and Machine Intelligence, 2018, 10.1109/TPAMI.2018.2842770.

[2] Xiang Wu, Ran He, Zhenan Sun, Tieniu Tan. A Light CNN for Deep Face Representation with Noisy Labels. IEEE Trans. Information Forensics and Security (2018).

[3] Huaibo Huang, Ran He, Zhenan Sun, Tieniu Tan. Wavelet-SRNet: A Wavelet-Based CNN for Multi-scale Face Super Resolution. ICCV 2017: 1698-1706.

[4] Rui Huang, Shu Zhang, Tianyu Li, Ran He. Beyond face rotation: Global and local perception GANfor photorealistic and identity preserving frontal view synthesis. ICCV 2017.

[5] Yibo Hu, Xiang Wu, Bing Yu, Ran He and Zhenan Sun. Pose-Guided Photorealistic Face Rotation. CVPR 2018.

[6] Yi Li, Lingxiao Song, Xiang Wu, Ran He, Tieniu Tan. Anti-Makeup: Learning A Bi-Level Adversarial Network for Makeup-Invariant Face Verification. AAAI 2018.

[7] Lingxiao Song, Man Zhang, Xiang Wu, Ran He. Adversarial Discriminative Heterogeneous Face Recognition, AAAI 2018.

[8] Lingxiao Song, Zhihe Lu, Ran He, Zhenan Sun, Tieniu Tan. Geometry Guided Adversarial Facial Expression Synthesis. Submitted to ACMMM 2018.

[9] International Journal of Computer Vision Special Issue on Deep Learning for Face Analysis: http://static.springer.com/sgw/documents/1616470/application/pdf/ijcv_si_cfp.pdf

 

 

讲习班课程

 

姓名: 李祎
简介: 李祎,中国科学院自动化研究所博士生,导师谭铁牛院士。 2014 年获大连理工大学工学学士学位, 2017 年获大连理工大学工学硕士学位。一直从事计算机视觉和模式识别方法研究,并应用于图像语义分割和生物特征识别。近期主要针对智能手机需求,研究利用生成网络模型实现对人脸图像的自动上妆和去妆。
题目: 人脸图像分析应用:上妆去妆
课程摘要: 在美颜和化妆日益流行的今天,如何在人脸图像上随意所欲地看到不同的妆容效果,如何应对妆容变化对现有人脸识别系统带来的冲击,成为计算机视觉领域的研究热点。受益于生成对抗网络等生成式神经网络模型的迅速发展,人脸图像自动上妆去妆方法现已能够呈现较好的视觉效果,并辅助提升现有人脸识别方法对妆容变化的鲁棒性。本部分将从图像生成和人脸识别等角度总结面部上妆去妆的研究进展,并介绍我们近期的相关成果。

 

 

姓名: 宋凌霄
简介: 宋凌霄,中科院自动化所模式识别国家重点实验室助理工程师,导师孙哲南研究员。图形图像学会会员,图形图像学会视觉与大数据专委会委员。 2009-2013 年在浙江大学获工学学士学位, 2013-2016 年在中科院自动化所模式识别国家重点实验室获工学硕士学位。 2016 年至今在自动化所智能感知与计算研究中心工作。一直从事生物特征识别、跨光谱人脸分析、人脸图像生成方面的研究。
题目: 人脸图像分析应用:表情编辑与属性合成
课程摘要: 人脸图像表情编辑或合成一直是计算机图形学、计算机视觉领域的重要研究内容之一。改变给定图像中的人脸表情,或合成指定具有指定表情的人脸图像,在影视、传媒、文化和艺术等领域都有着广泛的应用。传统的表情合成算法往往基于图形学算法,计算复杂度颇高。近期,随着生成式模型在计算机视觉领域的广泛应用,神经网络模型已具备生成高质量自然图像的能力。本报告将介绍我们近期开展的人脸图像表情合成与属性编辑工作,本部分内容包括生成式算法理论基础、人脸表情编辑、人脸属性合成。

 

 

姓名: 胡坦浩
简介: 胡坦浩,中国科学院自动化研究所模式识别国家重点实验室视觉算法工程师。 2014 年于郑州大学获软件工程学士, 2017 年于北京理工大学获软件工程硕士,导师宋红教授。入职至今参与了华为超分辨率重建项目,将其应用于手机等移动终端超分辨率任务。
题目: 人脸图像分析应用:超分辨率
课程摘要: 超分辨率重建是通过一张或多张低分辨率的图像来获得其对应高分辨率的方法。通过超分辨率重建,我们可以获得原图像不具备的细节,获得更好的视觉效果。超分辨率重建被广泛应用于天文、遥感、显微、医学等领域,此外在人脸图像的超分辨重建中也有着重要应用。本部分将介绍超分辨率重建的基础,以及我们基于小波的超分辨率方法在人脸超分辨图像重建中的应用,具体报告内容包括超分辨率综述、基于小波的人脸超分辨率方法等。

 

 

姓名: 胡一博
简介: 胡一博,中国科学院自动化研究所模式识别国家重点实验室助理工程师,导师赫然研究员。 2015 年获大连理工大学工学学士学位, 2018 年获中国科学院自动化研究所工学硕士学位,同年留所工作。从事深度学习理论应用研究,并应用到人脸分析中,近期主要聚焦于生成对抗网络以及人脸图像编辑中遇到的瓶颈问题,展开图像模式分析理论应用研究,在人脸旋转、人脸年龄合成领域有着丰富的实践经验。
题目: 人脸图像分析应用:人脸图像旋转
课程摘要: 人脸图像旋转是通过对给定姿态的人脸图像进行分析,进而创造出实体身份信息一致但姿态不同的人脸图像。人脸图像旋转的应用广泛,一方面可以通过合成不同姿态的人脸图像完成数据增广,另一方面可以通过将侧面人脸正面化来提升跨姿态人脸识别系统的鲁棒性。人脸旋转是一种无中生有、一对多的病态问题,当前仍有很多富有挑战的问题。本部分将从深度生成角度出发综述人脸旋转的研究现状,并介绍我们近期在人脸旋转方面取得的研究成果。

 

 

姓名: 赫然
简介: 赫然,博士,中国科学院自动化研究所模式识别国家重点实验室研究员,中国科学院脑科学与智能技术卓越创新中心年轻骨干,中国科学院大学人工智能技术学院模式识别教研室副主任。从事图像模式分析应用基础理论研究,并应用到生物特征识别和智能视频监控,出版学术专著 1 部,在 IEEETPAMI 、 TNNLS 、 TIP 、 TIFS , CVPR 、 ICCV 、 NIPS 、 IJCAI 、 AAAI 等发表论文 130 篇,研究工作获得国家自然科学基金优秀青年科学基金资助。
题目: 人脸图像分析基础
课程摘要: 人脸图像分析是机器学习和计算机视觉等领域的重要研究内容之一。通过编辑、合成和生成新的人脸图像,不但可以提高原有人脸图像的质量,同时还可以产生大规模的人脸数据来提高人脸识别系统对复杂环境的鲁棒性。本部分将从全光人脸分析、视觉拓扑优先、生成对抗结构和身份保持结构等方面,介绍人脸图像分析的基础理论和方法。