个人觉得,难点在于不同领域之间的结合,毕竟人脸识别现在最关心的还是准确度吧,井底之蛙的理解,大佬手下留情

我个人觉得主要集中在人脸识别，人体骨架关键点定位，手势骨架关键点定位，语义分割等，这些都是可以比较有实际产品应用场景的技术，随着iPhone x的推出，未来会结合深度图的来提高原来只在彩色图上面的识别率，而且像人体骨架和手势骨架关键点基本只需要深度信息就可以搞定

目前，人脸识别已经比较成熟，性能很高了。原来很多做人脸识别的团队都已经转去研究其他比较新的方向。人脸识别现在的主要研究方向是表情识别、特征识别、人脸正面化，或改深度学习方法为仅需小数据量的其他识别方法。

谢邀~ 我们最近在研究怎么把人脸识别、物体识别、人体识别、热力图等结合到一起，更好去应用在各个领域~~

学术界最前沿的东西还是在分析loss，分析数据。 工业界的话，由于数据不是问题，所以大部分算法公司2D人脸识别都已经不怎么做了，转做3D的人脸识别（FaceID），这波安卓3D人脸解锁的市场还是挺大的。 安防公司的话，为了卖摄像头，还在向前端人脸识别发展。

这个得从2016年说起，2016年有两篇文章（Center Loss和Large Margin Softmax）首次给出了softmax损失函数的可视化图像，人们才知道原来特征的分布是长这个样子的： 于是就开始了各种研究了，有把特征变细的： 有让特征向各自类中心收缩的： 有把特征投影到球上的： 总之把特征可视化之后，人们发现特征原来是呈这种放射型分布的，而放射型分布就可以从幅度和角度两个方向来尝试改进分类函数，于是2017年人们要么改改幅度，要么改改角度，水了一堆paper。 参考文献： （懒得写，后面再改。）

最近在做人脸识别相关的工作, 比较关注这方面的学术动态. 发现对人脸识别的Loss函数改进的论文比较多, 如: [2017] L2-constrained Softmax Loss for Discriminative Face Verification [2017 ACM MM] NormFace_ L2 Hypersphere Embedding for Face Verification [2017 CVPR] SphereFace_ Deep Hypersphere Embedding for Face Recognition (A_Softmax Loss) [2017 NIPS] Rethinking Feature Discrimination and Polymerization for Large-scale Recognition (COCO Loss) [2017 ICCV] Deep Metric Learning with Angular Loss [2017] Contrastive-center loss for deep neural networks [2017 CVPR] Range Loss for Deep Face Recognition with Long-tail 2018年伊始也出几两篇相关改进的论文: [2018] Additive Margin Softmax for Face Verification [2018] Face Recognition via Centralized Coordinate Learning [2018] ArcFace_ Additive Angular Margin Loss for Deep Face Recognition 人脸识别还有一些其他难点和热点的, 比如 1) 基于视频的人脸识别 [2017 CVPR] Neural Aggregation Network for Video Face Recognition; [2017 PAMI] Trunk-Branch Ensemble Convolutional Neural Networks for Video-based Face Recognition 2) 三维人脸识别 [2017] Deep 3D Face Identification [2017] Learning from Millions of 3D Scans for Large-scale 3D Face Recognition 3) 跨年龄的人脸识别 [2017 PRL] Large Age-Gap face verification by feature injection in deep networks [2017] Cross-Age LFW_ A Database for Studying Cross-Age Face Recognition in Unconstrained Environments 4) 少样本人脸识别 [2017] One-shot Face Recognition by Promoting Underrepresented Classes; [2017] SSPP-DAN_ Deep Domain Adaptation Network for Face Recognition with Single Sample Per Person 5) 遮挡情况下的人脸识别 [2017 ICCVW] Disguised Face Identification (DFI) with Facial KeyPoints using Spatial Fusion Convolutional Network [2017] Enhancing Convolutional Neural Networks for Face Recognition with Occlusion Maps and Batch Triplet Loss 6) 多模型特征融合 [2017 PAMI] Face Search at Scale [2017] Deep Heterogeneous Feature Fusion for Template-Based Face Recognition 还有注意到现在人脸识别的评价方式逐渐转向更贴近实用的1:N的开集测试([2017 CVPRW] Toward Open Set Face Recognition).