論文の概要: SER-FIQ: Unsupervised Estimation of Face Image Quality Based on
Stochastic Embedding Robustness
- arxiv url: http://arxiv.org/abs/2003.09373v1
- Date: Fri, 20 Mar 2020 16:50:30 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-21 22:42:24.029349
- Title: SER-FIQ: Unsupervised Estimation of Face Image Quality Based on
Stochastic Embedding Robustness
- Title（参考訳）: SER-FIQ:確率埋め込みロバストネスに基づく顔画像品質の教師なし推定
- Authors: Philipp Terh\"orst, Jan Niklas Kolf, Naser Damer, Florian
Kirchbuchner, Arjan Kuijper
- Abstract要約: 任意の顔認識モデルに基づいて顔の質を測定する新しい概念を提案する。
提案手法を,学界と産業界からの6つの最先端アプローチと比較した。
- 参考スコア（独自算出の注目度）: 15.431761867166
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Face image quality is an important factor to enable high performance face
recognition systems. Face quality assessment aims at estimating the suitability
of a face image for recognition. Previous work proposed supervised solutions
that require artificially or human labelled quality values. However, both
labelling mechanisms are error-prone as they do not rely on a clear definition
of quality and may not know the best characteristics for the utilized face
recognition system. Avoiding the use of inaccurate quality labels, we proposed
a novel concept to measure face quality based on an arbitrary face recognition
model. By determining the embedding variations generated from random
subnetworks of a face model, the robustness of a sample representation and
thus, its quality is estimated. The experiments are conducted in a
cross-database evaluation setting on three publicly available databases. We
compare our proposed solution on two face embeddings against six
state-of-the-art approaches from academia and industry. The results show that
our unsupervised solution outperforms all other approaches in the majority of
the investigated scenarios. In contrast to previous works, the proposed
solution shows a stable performance over all scenarios. Utilizing the deployed
face recognition model for our face quality assessment methodology avoids the
training phase completely and further outperforms all baseline approaches by a
large margin. Our solution can be easily integrated into current face
recognition systems and can be modified to other tasks beyond face recognition.
- Abstract（参考訳）: 顔画像の品質は、高性能な顔認識システムを実現する上で重要な要素である。
顔品質評価は、認識のための顔画像の適合性を推定することを目的としている。
以前の研究では、人工的または人間のラベル付き品質値を必要とする教師付きソリューションを提案した。
しかし、両者のラベリング機構は、品質を明確に定義しないためエラーを起こしやすく、使用済みの顔認識システムに最適な特徴を知らない可能性がある。
不正確な品質ラベルの使用を避けるため、任意の顔認識モデルに基づいて顔品質を測定する新しい概念を提案した。
顔モデルのランダムサブネットワークから発生する埋め込み変動を判定することにより、サンプル表現のロバスト性が評価され、その品質が推定される。
実験は3つの公開データベース上のデータベース間評価設定で実施される。
提案手法を,学界と産業界からの6つの最先端アプローチと比較した。
その結果,調査シナリオの大部分において,教師なしのソリューションは,他のすべてのアプローチよりも優れていることがわかった。
従来の手法とは対照的に,提案手法はすべてのシナリオに対して安定した性能を示す。
顔品質評価手法に展開された顔認識モデルを用いることで、トレーニングフェーズを完全に回避し、さらに全てのベースラインアプローチを大きなマージンで上回る。
我々のソリューションは、現在の顔認識システムに簡単に統合でき、顔認識以外のタスクに修正できる。
関連論文リスト
- Rank-based No-reference Quality Assessment for Face Swapping [88.53827937914038]
顔スワップ法における品質測定の基準は、操作された画像とソース画像の間のいくつかの距離に依存する。
顔スワップ用に設計された新しい非参照画像品質評価法(NR-IQA)を提案する。
論文 参考訳（メタデータ） (2024-06-04T01:36:29Z) - AdaFace: Quality Adaptive Margin for Face Recognition [56.99208144386127]
本稿では、損失関数、すなわち画像品質における適応性の別の側面を紹介する。
そこで本稿では,画像品質に基づいて異なる難易度を示す新たな損失関数を提案する。
提案手法は,4つのデータセット上でのSoTA(State-of-the-art)による顔認識性能を向上させる。
論文 参考訳（メタデータ） (2022-04-03T01:23:41Z) - QMagFace: Simple and Accurate Quality-Aware Face Recognition [5.5284501467256515]
本稿では,QMag-Face(QMag-Face,QMag-Face,QMag-Face,QMag-Face,QMag-Face,QMag-Face,QMag-Face,QMag-Face)を提案する。
いくつかの顔認識データベースとベンチマークで実施された実験は、導入された品質認識が認識性能を一貫した改善をもたらすことを示した。
論文 参考訳（メタデータ） (2021-11-26T12:44:54Z) - Cross-Quality LFW: A Database for Analyzing Cross-Resolution Image Face
Recognition in Unconstrained Environments [8.368543987898732]
現実世界の顔認識アプリケーションは、異なるキャプチャ条件のために、最適な画像の品質や解像度を扱うことが多い。
最近のクロスレゾリューション顔認識手法は、画像品質における現実のエッジケースとの距離を測定するために、単純で任意で非現実的なダウンスケールとアップスケーリングの手法を用いている。
本稿では,Wildにおける有名なラベル付き顔から派生した,新しい標準ベンチマークデータセットと評価プロトコルを提案する。
論文 参考訳（メタデータ） (2021-08-23T17:04:32Z) - Joint Face Image Restoration and Frontalization for Recognition [79.78729632975744]
現実世界のシナリオでは、大きなポーズ、悪い照明、低解像度、ぼやけ、ノイズなど、多くの要因が顔認識性能を損なう可能性がある。
それまでの努力は通常、まず品質の低い顔から高品質な顔に復元し、次に顔認識を行う。
与えられた低品質の顔からフロンダル化された高品質の顔を復元する多段階顔復元モデルを提案する。
論文 参考訳（メタデータ） (2021-05-12T03:52:41Z) - Intelligent Frame Selection as a Privacy-Friendlier Alternative to Face
Recognition [5.313209107051178]
本研究は,大規模顔認識に代わるプライバシフレンドリーな代替手法を提案する。
すべてのビデオデータで顔認識ソフトウェアを実行する代わりに、検出された各人の高品質なスナップショットを自動的に抽出する。
このスナップショットは暗号化され、アクセスは法的承認後のみ許可される。
論文 参考訳（メタデータ） (2021-01-19T09:31:42Z) - Facial Expressions as a Vulnerability in Face Recognition [73.85525896663371]
本研究では,顔認識システムのセキュリティ脆弱性としての表情バイアスについて検討する。
本稿では,表情バイアスが顔認識技術の性能に与える影響を包括的に分析する。
論文 参考訳（メタデータ） (2020-11-17T18:12:41Z) - Inducing Predictive Uncertainty Estimation for Face Recognition [102.58180557181643]
顔画像の「マッドペア」から画像品質訓練データを自動的に生成する手法を提案する。
生成したデータを用いて、顔画像の信頼度を推定するために、PCNetと呼ばれる軽量な予測信頼ネットワークを訓練する。
論文 参考訳（メタデータ） (2020-09-01T17:52:00Z) - Uncertainty-Aware Blind Image Quality Assessment in the Laboratory and
Wild [98.48284827503409]
我々は,テキスト化BIQAモデルを開発し,それを合成的および現実的歪みの両方で訓練するアプローチを提案する。
我々は、多数の画像ペアに対してBIQAのためのディープニューラルネットワークを最適化するために、忠実度損失を用いる。
6つのIQAデータベースの実験は、実験室と野生動物における画像品質を盲目的に評価する学習手法の可能性を示唆している。
論文 参考訳（メタデータ） (2020-05-28T13:35:23Z) - Face Quality Estimation and Its Correlation to Demographic and
Non-Demographic Bias in Face Recognition [15.431761867166]
顔の質評価は、認識のための顔画像の有用性を推定することを目的としている。
現在、これらの顔認識システムの高性能化には、人口統計学や非人口統計学のサブグループに対する強い偏見のコストが伴っている。
近年の研究では、顔品質評価アルゴリズムは、高精度でロバストな品質評価を実現するために、デプロイされた顔認識システムに適応すべきであることが示されている。
論文 参考訳（メタデータ） (2020-04-02T14:19:12Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。