論文の概要: CR-FIQA: Face Image Quality Assessment by Learning Sample Relative Classifiability

• arxiv url: http://arxiv.org/abs/2112.06592v1
• Date: Mon, 13 Dec 2021 12:18:43 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-14 17:23:22.186061
• Title: CR-FIQA: Face Image Quality Assessment by Learning Sample Relative Classifiability
• Title（参考訳）: CR-FIQA:学習サンプルによる顔画像品質評価
• Authors: Fadi Boutros, Meiling Fang, Marcel Klemt, Biying Fu, Naser Damer
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 2.3624125155742055
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The quality of face images significantly influences the performance of underlying face recognition algorithms. Face image quality assessment (FIQA) estimates the utility of the captured image in achieving reliable and accurate recognition performance. In this work, we propose a novel learning paradigm that learns internal network observations during the training process. Based on that, our proposed CR-FIQA uses this paradigm to estimate the face image quality of a sample by predicting its relative classifiability. This classifiability is measured based on the allocation of the training sample feature representation in angular space with respect to its class center and the nearest negative class center. We experimentally illustrate the correlation between the face image quality and the sample relative classifiability. As such property is only observable for the training dataset, we propose to learn this property from the training dataset and utilize it to predict the quality measure on unseen samples. This training is performed simultaneously while optimizing the class centers by an angular margin penalty-based softmax loss used for face recognition model training. Through extensive evaluation experiments on eight benchmarks and four face recognition models, we demonstrate the superiority of our proposed CR-FIQA over state-of-the-art (SOTA) FIQA algorithms.
• Abstract（参考訳）: 顔画像の品質は基礎となる顔認識アルゴリズムの性能に大きく影響する。 顔画像品質評価(fiqa)は、撮影画像の有用性を推定し、信頼性と正確な認識性能を達成する。 本研究では,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,その相対的分類可能性を予測することにより,サンプルの顔画像品質を推定する。 この分類可能性は、クラス中心と最も近い負のクラス中心に対する角空間におけるトレーニングサンプル特徴表現の割り当てに基づいて測定される。 本研究では,顔画像品質とサンプル相対分類可能性の関係を実験的に示す。 このような特性はトレーニングデータセットでしか観測できないため、トレーニングデータセットからこの特性を学習し、未検出サンプルの品質指標を予測するために利用する。 このトレーニングは、顔認識モデルトレーニングに使用される角縁ペナルティに基づくソフトマックスロスにより、クラスセンターを最適化しながら同時に行われる。 8つのベンチマークと4つの顔認識モデルに対する広範囲な評価実験を通じて、提案したCR-FIQAが最先端(SOTA)FIQAアルゴリズムよりも優れていることを示す。

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)
• GraFIQs: Face Image Quality Assessment Using Gradient Magnitudes [9.170455788675836]
  顔画像品質評価(FIQA)は、顔認識(FR)システムにおける顔画像の有用性を推定する。 本研究では,事前学習したFRモデルの重量変化を検査し,顔画像の品質を評価する新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-04-18T14:07:08Z)
• Contrastive Pre-Training with Multi-View Fusion for No-Reference Point Cloud Quality Assessment [49.36799270585947]
  No-Reference Point Cloud Quality Assessment (NR-PCQA) は、歪んだ点雲の知覚的品質を、参照なしで自動的に評価することを目的としている。 我々は,PCQA(CoPA)に適した新しいコントラスト付き事前学習フレームワークを提案する。 提案手法は,最新のPCQA手法よりも高い性能を示す。
  論文  参考訳（メタデータ） (2024-03-15T07:16:07Z)
• 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)
• A Quality Aware Sample-to-Sample Comparison for Face Recognition [13.96448286983864]
  この研究は、サンプルレベルで品質を意識した学習プロセスを分類訓練パラダイム(QAFace)に統合する。 本手法は,トレーニングデータセットの認識可能な低品質サンプルに適応的に注目する。
  論文  参考訳（メタデータ） (2023-06-06T20:28:04Z)
• CONVIQT: Contrastive Video Quality Estimator [63.749184706461826]
  知覚ビデオ品質評価(VQA)は、多くのストリーミングおよびビデオ共有プラットフォームにおいて不可欠な要素である。 本稿では,視覚的に関連のある映像品質表現を自己指導的に学習する問題について考察する。 本研究は, 自己教師型学習を用いて, 知覚力による説得力のある表現が得られることを示す。
  論文  参考訳（メタデータ） (2022-06-29T15:22:01Z)
• Conformer and Blind Noisy Students for Improved Image Quality Assessment [80.57006406834466]
  知覚品質評価(IQA)のための学習ベースアプローチは、通常、知覚品質を正確に測定するために歪んだ画像と参照画像の両方を必要とする。 本研究では,変換器を用いた全参照IQAモデルの性能について検討する。 また,全教師モデルから盲人学生モデルへの半教師付き知識蒸留に基づくIQAの手法を提案する。
  論文  参考訳（メタデータ） (2022-04-27T10:21:08Z)
• 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)
• Image Quality Assessment using Contrastive Learning [50.265638572116984]
  我々は、補助的な問題を解決するために、対照的な対の目的を用いて深層畳み込みニューラルネットワーク(CNN)を訓練する。 本研究では,最新のNR画像品質モデルと比較して,ContriQUEが競争性能を向上することを示す。 以上の結果から,大きなラベル付き主観的画像品質データセットを必要とせずに,知覚的関連性を持つ強力な品質表現が得られることが示唆された。
  論文  参考訳（メタデータ） (2021-10-25T21:01:00Z)
• SDD-FIQA: Unsupervised Face Image Quality Assessment with Similarity Distribution Distance [25.109321001368496]
  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。
  論文  参考訳（メタデータ） (2021-03-10T10:23:28Z)
• 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。