FaceFilterSense: A Filter-Resistant Face Recognition and Facial Attribute Analysis Framework

随着社交媒体的出现，有趣的自拍滤镜已经广泛应用于面部生物识别系统和图像识别系统，从美化滤镜和基于增强现实（AR）的滤镜到修改面部标志的滤镜，种类繁多。因此，需要评估这些滤镜对现有人脸识别系统性能的影响。现有解决方案的局限在于这些解决方案更注重美化滤镜。然而，目前流行的基于AR的滤镜和扭曲面部关键点的滤镜甚至使裸眼无法识别面部。此外，考虑的滤镜大多已经过时，种类有限。为了解决这些限制，我们旨在对最新滤镜进行全面的影响分析，并提出一个使用滤镜图像的用户识别模型。我们利用基准数据集生成了一个美化/滤镜数据集，并对其应用了最新的滤镜。接下来，我们介绍了一个名为FaceFilterNet的美化用户识别模型。在这个框架中，我们还利用我们的模型来评论人的各种属性，包括年龄、性别和种族。此外，我们还对面部识别、年龄估计、性别和种族预测进行了滤镜影响分析。所提出的方法证实了我们的数据集的有效性，准确率为87.25％，并且对于面部属性分析具有最佳准确度。

本论文旨在评估社交媒体上流行的自拍滤镜对面部识别系统的影响，并提出了一种基于过滤后图像的用户识别模型。

论文提出了一个名为FaceFilterNet的模型，用于美化后的用户识别，同时还考虑了性别、年龄和种族等面部属性的分析。

论文使用了最新的自拍滤镜，并进行了过滤器对面部识别、年龄估计、性别和种族预测的影响分析。实验结果表明，该模型的准确率为87.25%。

最近的相关研究主要集中在面部识别和人脸属性分析领域，如“DeepFace: Closing the Gap to Human-Level Performance in Face Verification”和“Age and Gender Classification using Convolutional Neural Networks”等。