論文の概要: SDD-FIQA: Unsupervised Face Image Quality Assessment with Similarity
Distribution Distance
- arxiv url: http://arxiv.org/abs/2103.05977v1
- Date: Wed, 10 Mar 2021 10:23:28 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-12 13:36:38.991818
- Title: SDD-FIQA: Unsupervised Face Image Quality Assessment with Similarity
Distribution Distance
- Title(参考訳): SDD-FIQA:類似分布距離を用いた教師なし顔画像品質評価
- Authors: Fu-Zhao Ou, Xingyu Chen, Ruixin Zhang, Yuge Huang, Shaoxin Li, Jilin
Li, Yong Li, Liujuan Cao, and Yuan-Gen Wang
- Abstract要約: 顔画像品質評価(FIQA)は顔認識システムの不可欠な部分となっています。
顔画像品質評価(SDD-FIQA)に類似度分布距離を組み込んだ新しい非監視FIQA法を提案する。
本手法は,クラス内類似度分布とクラス間類似度分布の間のWasserstein Distanceを計算することにより,品質疑似ラベルを生成する。
- 参考スコア(独自算出の注目度): 25.109321001368496
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In recent years, Face Image Quality Assessment (FIQA) has become an
indispensable part of the face recognition system to guarantee the stability
and reliability of recognition performance in an unconstrained scenario. For
this purpose, the FIQA method should consider both the intrinsic property and
the recognizability of the face image. Most previous works aim to estimate the
sample-wise embedding uncertainty or pair-wise similarity as the quality score,
which only considers the information from partial intra-class. However, these
methods ignore the valuable information from the inter-class, which is for
estimating to the recognizability of face image. In this work, we argue that a
high-quality face image should be similar to its intra-class samples and
dissimilar to its inter-class samples. Thus, we propose a novel unsupervised
FIQA method that incorporates Similarity Distribution Distance for Face Image
Quality Assessment (SDD-FIQA). Our method generates quality pseudo-labels by
calculating the Wasserstein Distance (WD) between the intra-class similarity
distributions and inter-class similarity distributions. With these quality
pseudo-labels, we are capable of training a regression network for quality
prediction. Extensive experiments on benchmark datasets demonstrate that the
proposed SDD-FIQA surpasses the state-of-the-arts by an impressive margin.
Meanwhile, our method shows good generalization across different recognition
systems.
- Abstract(参考訳): 近年、顔画像品質評価(FIQA)は、制約のないシナリオにおける認識性能の安定性と信頼性を保証するために、顔認識システムの不可欠な部分となっています。
この目的のために、FIQAメソッドは、本質的特性と顔画像の認識可能性の両方を考慮するべきである。
先行研究のほとんどは,部分的クラス内情報のみを考慮に入れた質スコアとして,サンプル単位の埋め込み不確実性やペア単位の類似性を推定することを目的としている。
しかし、これらの方法は、顔画像の認識可能性を推定するためのクラス間の貴重な情報を無視します。
本研究では,高品質な顔画像はクラス内サンプルと類似し,クラス間サンプルと相似であるべきだと論じる。
そこで本稿では,顔画像品質評価のための類似度分布距離(SDD-FIQA)を組み込んだ新しい教師なしFIQA手法を提案する。
本手法は,クラス内類似度分布とクラス間類似度分布の間のWasserstein Distance (WD)を計算することにより,品質疑似ラベルを生成する。
これらの品質疑似ラベルにより、品質予測のための回帰ネットワークのトレーニングが可能です。
ベンチマークデータセットに関する広範な実験は、提案されたSDD-FIQAが最先端を圧倒的なマージンで上回っていることを示しています。
一方,本手法は異なる認識システムにまたがって優れた一般化を示す。
関連論文リスト
- QGFace: Quality-Guided Joint Training For Mixed-Quality Face Recognition [2.8519768339207356]
混合品質顔認証のための新しい品質誘導型共同訓練手法を提案する。
品質分割に基づいて、分類に基づく手法が本社データ学習に用いられている。
識別情報を欠いたLQ画像に対しては,自己教師付き画像イメージコントラスト学習を用いて学習する。
論文 参考訳(メタデータ) (2023-12-29T06:56:22Z) - Introspective Deep Metric Learning [91.47907685364036]
本稿では,不確実性を考慮した画像比較のためのイントロスペクティブな深度学習フレームワークを提案する。
提案するIDMLフレームワークは,不確実性モデリングによるディープメトリック学習の性能を向上させる。
論文 参考訳(メタデータ) (2023-09-11T16:21:13Z) - Blind Image Quality Assessment via Vision-Language Correspondence: A
Multitask Learning Perspective [93.56647950778357]
ブラインド画像品質評価(BIQA)は、参照情報なしで画像品質の人間の知覚を予測する。
我々は,他のタスクからの補助的知識を活用するために,BIQAのための汎用的かつ自動化されたマルチタスク学習手法を開発した。
論文 参考訳(メタデータ) (2023-03-27T07:58:09Z) - 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) - FaceQgen: Semi-Supervised Deep Learning for Face Image Quality
Assessment [19.928262020265965]
FaceQgenは、ジェネレーティブ・アドバイサル・ネットワークに基づく顔画像の非参照品質評価手法である。
顔認識精度に関連するスカラー品質尺度を生成する。
SCfaceデータベースを使用して、スクラッチからトレーニングされる。
論文 参考訳(メタデータ) (2022-01-03T17:22:38Z) - CR-FIQA: Face Image Quality Assessment by Learning Sample Relative
Classifiability [2.3624125155742055]
本稿では,学習過程における内部ネットワーク観測を学習する新しい学習パラダイムを提案する。
提案するCR-FIQAは,このパラダイムを用いて,サンプルの顔画像品質を,その相対的分類可能性の予測により推定する。
本研究では, 最先端(SOTA) FIQAアルゴリズムよりもCR-FIQAの方が優れていることを示す。
論文 参考訳(メタデータ) (2021-12-13T12:18:43Z) - 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) - No-Reference Image Quality Assessment by Hallucinating Pristine Features [24.35220427707458]
本稿では,特徴レベルの擬似参照(PR)幻覚を用いた非参照画像品質評価(IQA)手法を提案する。
提案手法の有効性を4つのIQAデータベースで実証した。
論文 参考訳(メタデータ) (2021-08-09T16:48:34Z) - Uncertainty-Aware Few-Shot Image Classification [118.72423376789062]
ラベル付き限られたデータから新しいカテゴリを認識できる画像分類はほとんどない。
画像分類のための不確実性を考慮したFew-Shotフレームワークを提案する。
論文 参考訳(メタデータ) (2020-10-09T12:26:27Z) - 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)
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。