論文の概要: Impact of Face Image Quality Estimation on Presentation Attack Detection

• arxiv url: http://arxiv.org/abs/2209.15489v1
• Date: Fri, 30 Sep 2022 14:23:47 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-03 15:50:52.505160
• Title: Impact of Face Image Quality Estimation on Presentation Attack Detection
• Title（参考訳）: 顔画像品質推定がプレゼンテーションアタック検出に及ぼす影響
• Authors: Carlos Aravena, Diego Pasmino, Juan E. Tapia, and Christoph Busch
• Abstract要約: 本研究では, 品質評価手法がボナフッ化物および攻撃試料のろ過に及ぼす影響について検討した。 その結果,低品質サンプルを除去することでトレーニングデータセットの20%を削減し,BPCERを3%改善できることが判明した。
• 参考スコア（独自算出の注目度）: 10.832111751830272
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Non-referential face image quality assessment methods have gained popularity as a pre-filtering step on face recognition systems. In most of them, the quality score is usually designed with face matching in mind. However, a small amount of work has been done on measuring their impact and usefulness on Presentation Attack Detection (PAD). In this paper, we study the effect of quality assessment methods on filtering bona fide and attack samples, their impact on PAD systems, and how the performance of such systems is improved when training on a filtered (by quality) dataset. On a Vision Transformer PAD algorithm, a reduction of 20% of the training dataset by removing lower quality samples allowed us to improve the BPCER by 3% in a cross-dataset test.
• Abstract（参考訳）: 非参照顔画像品質評価法は、顔認識システムにおける事前フィルタリングステップとして人気を集めている。 たいていの場合、品質スコアは顔の一致を念頭に置いて設計されている。 しかし, 提示攻撃検出(PAD)における影響と有用性を評価するために, 少数の研究がなされている。 本稿では,ボナファイドおよび攻撃サンプルのフィルタリングに対する品質評価手法の効果,PADシステムへの影響,および,フィルタリングされた(品質による)データセットのトレーニングにおいて,そのようなシステムの性能が向上するかを検討する。 Vision Transformer PADアルゴリズムでは、低品質のサンプルを除去することでトレーニングデータセットの20%を削減し、クロスデータセットテストでBPCERを3%改善することができた。

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)
• Test Time Adaptation for Blind Image Quality Assessment [20.50795362928567]
  本報告では, ブラインドIQAにおけるTTAを実現するために, バッチとサンプルレベルに2つの新しい品質関連補助タスクを導入する。 実験の結果,テスト分布から少量の画像を使用しても,性能の大幅な向上が期待できることがわかった。
  論文  参考訳（メタデータ） (2023-07-27T09:43:06Z)
• 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)
• 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)
• Surveillance Face Anti-spoofing [81.50018853811895]
  Face Anti-Spoofing (FAS) は、様々な物理的攻撃から顔認識システムを保護するために不可欠である。 本稿では,画像品質による性能劣化を軽減するために,コントラスト品質不変学習(CQIL)ネットワークを提案する。 多くの実験がSuHiFiMaskデータセットの品質と提案したCQILの優位性を検証する。
  論文  参考訳（メタデータ） (2023-01-03T07:09:57Z)
• Iterative Optimization of Pseudo Ground-Truth Face Image Quality Labels [0.0]
  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。
  論文  参考訳（メタデータ） (2022-08-31T08:24:09Z)
• One-Class Knowledge Distillation for Face Presentation Attack Detection [53.30584138746973]
  本稿では,一級ドメイン適応による対面PADのクロスドメイン性能向上のための教師学生フレームワークを提案する。 学生ネットワークは、教師ネットワークを模倣し、ターゲットドメインの真の顔サンプルの類似した表現を学ぶために訓練される。 テストフェーズでは、教師と学生ネットワークの表現の類似度スコアを用いて、真の攻撃と区別する。
  論文  参考訳（メタデータ） (2022-05-08T06:20:59Z)
• 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)
• 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)

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。