論文の概要: Iterative Optimization of Pseudo Ground-Truth Face Image Quality Labels
- arxiv url: http://arxiv.org/abs/2208.14683v1
- Date: Wed, 31 Aug 2022 08:24:09 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-01 13:27:12.261184
- Title: Iterative Optimization of Pseudo Ground-Truth Face Image Quality Labels
- Title（参考訳）: 擬似面画像品質ラベルの反復最適化
- Authors: \v{Z}iga Babnik, Vitomir \v{S}truc
- Abstract要約: 顔画像品質評価(FIQA)技術は、品質の悪いデータを拒否するのに使用できるサンプル品質情報を提供する。
本稿では,マットペアの類似点からのサンプル品質情報を品質予測に組み込んだ品質ラベル最適化手法を提案する。
提案手法は3つの多様なデータセットに対して3つの最先端FIQA手法を用いて評価する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: While recent face recognition (FR) systems achieve excellent results in many
deployment scenarios, their performance in challenging real-world settings is
still under question. For this reason, face image quality assessment (FIQA)
techniques aim to support FR systems, by providing them with sample quality
information that can be used to reject poor quality data unsuitable for
recognition purposes. Several groups of FIQA methods relying on different
concepts have been proposed in the literature, all of which can be used for
generating quality scores of facial images that can serve as pseudo
ground-truth (quality) labels and can be exploited for training
(regression-based) quality estimation models. Several FIQA appro\-aches show
that a significant amount of sample-quality information can be extracted from
mated similarity-score distributions generated with some face matcher. Based on
this insight, we propose in this paper a quality label optimization approach,
which incorporates sample-quality information from mated-pair similarities into
quality predictions of existing off-the-shelf FIQA techniques. We evaluate the
proposed approach using three state-of-the-art FIQA methods over three diverse
datasets. The results of our experiments show that the proposed optimization
procedure heavily depends on the number of executed optimization iterations. At
ten iterations, the approach seems to perform the best, consistently
outperforming the base quality scores of the three FIQA methods, chosen for the
experiments.
- Abstract（参考訳）: 最近の顔認識(fr)システムは、多くのデプロイシナリオで優れた成果を上げているが、実際の設定に挑戦する性能はまだ疑問が残っている。
このため、顔画像品質評価(FIQA)技術はFRシステムをサポートすることを目的としており、認識目的に適さない品質の悪いデータを削除するのに使用できるサンプル品質情報を提供する。
異なる概念に依存するfiqa手法のいくつかのグループは文献で提案されており、それら全ては疑似基底(品質)ラベルとして機能し、トレーニング(回帰ベース)品質推定モデルに活用できる顔画像の品質スコアを生成するのに使うことができる。
いくつかのFIQA近似は、顔マーカで生成された類似度スコア分布からかなりの量のサンプル品質情報を抽出できることを示している。
そこで本研究では,既成の既成のオフザシェルフFIQA技術の品質予測に,マットペアの類似点からのサンプル品質情報を組み込んだ品質ラベル最適化手法を提案する。
提案手法は3つの多様なデータセットに対して3つの最先端FIQA手法を用いて評価する。
実験の結果,提案手法は実行された最適化回数に大きく依存することがわかった。
10回の反復で、この手法は実験のために選択された3つのFIQA法の基本品質スコアを一貫して上回っている。
関連論文リスト
- Multi-Modal Prompt Learning on Blind Image Quality Assessment [65.0676908930946]
画像品質評価(IQA)モデルは意味情報から大きな恩恵を受け、異なる種類のオブジェクトを明瞭に扱うことができる。
十分な注釈付きデータが不足している従来の手法では、セマンティックな認識を得るために、CLIPイメージテキスト事前学習モデルをバックボーンとして使用していた。
近年のアプローチでは、このミスマッチに即時技術を使って対処する試みがあるが、これらの解決策には欠点がある。
本稿では、IQAのための革新的なマルチモーダルプロンプトベースの手法を提案する。
論文 参考訳（メタデータ） (2024-04-23T11:45:32Z) - 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) - 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) - Optimization-Based Improvement of Face Image Quality Assessment
Techniques [5.831942593046074]
顔画像品質評価(FIQA)技術は、認識プロセスに役立つ入力顔画像からサンプル品質情報を推測しようとする。
本稿では,既存のFIQA技術の性能向上を目的とした品質ラベル最適化手法を提案する。
提案手法を6つの最先端FIQA手法による包括的実験で評価した。
論文 参考訳（メタデータ） (2023-05-24T08:06:12Z) - DifFIQA: Face Image Quality Assessment Using Denoising Diffusion
Probabilistic Models [1.217503190366097]
顔画像品質評価(FIQA)技術は、これらの性能劣化を軽減することを目的としている。
拡散確率モデル(DDPM)に基づく強力な新しいFIQA手法DifFIQAを提案する。
拡散に基づく摂動は計算コストが高いため、DifFIQA(R)と呼ばれる回帰ベースの品質予測器にDifFIQAで符号化された知識を蒸留する。
論文 参考訳（メタデータ） (2023-05-09T21:03:13Z) - 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) - Better Understanding Differences in Attribution Methods via Systematic Evaluations [57.35035463793008]
モデル決定に最も影響を及ぼす画像領域を特定するために、ポストホック属性法が提案されている。
本稿では,これらの手法の忠実度をより確実に評価するための3つの新しい評価手法を提案する。
これらの評価手法を用いて、広範囲のモデルにおいて広く用いられている属性手法の長所と短所について検討する。
論文 参考訳（メタデータ） (2023-03-21T14:24:58Z) - MSTRIQ: No Reference Image Quality Assessment Based on Swin Transformer
with Multi-Stage Fusion [8.338999282303755]
本稿では,Swin Transformerに基づく新しいアルゴリズムを提案する。
ローカル機能とグローバル機能の両方から情報を集約して、品質をより正確に予測する。
NTIRE 2022 Perceptual Image Quality Assessment Challengeのノーレファレンストラックで2位。
論文 参考訳（メタデータ） (2022-05-20T11:34:35Z) - Task-Specific Normalization for Continual Learning of Blind Image
Quality Models [105.03239956378465]
視覚的画像品質評価(BIQA)のための簡易かつ効果的な連続学習法を提案する。
このアプローチの重要なステップは、トレーニング済みのディープニューラルネットワーク(DNN)のすべての畳み込みフィルタを凍結して、安定性を明示的に保証することです。
我々は、各新しいIQAデータセット(タスク)に予測ヘッドを割り当て、対応する正規化パラメータをロードして品質スコアを生成する。
最終的な品質推定は、軽量な$K$-meansゲーティング機構で、すべての頭からの予測の重み付け総和によって計算される。
論文 参考訳（メタデータ） (2021-07-28T15:21:01Z) - 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) - SER-FIQ: Unsupervised Estimation of Face Image Quality Based on
Stochastic Embedding Robustness [15.431761867166]
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。
論文 参考訳（メタデータ） (2020-03-20T16:50:30Z)
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。