Jun, 2023

人脸识别质量感知样本对比

PDF
TL;DR本文提出了质量感知的学习过程（QAFace），通过在样本级别将质量感知引入到分类训练范式中，该模型将 Softmax 中心自适应引导到更多注意训练数据集中可识别的低质量样本，从而提高了模型对低质量样本的性能，并高于 CFP-FP，LFW，CPLFW，CALFW，AgeDB，IJB-B 和 IJB-C 数据集上的最先进算法。
face recognitionquality-aware learningsoftmax-based classifierlow-quality samplesclassification training
发现论文，激发创造
  • CR-FIQA: 通过学习样本相对可分类性进行面部图像质量评估

    本文提出一种学习范式以及建立基于其的面部图像质量评估算法（CR-FIQA），通过预测面部图像样本的相对分类能力来估计其质量，并通过角度空间中的训练样本表征来测量相对分类能力。该方法在面部识别模型训练中同时进行优化，并经过大量实验表明其在 8 个基准和 4 个面部识别模型上具有优越性。

    Dec, 2021

  • 基于优化的人脸图像质量评估技术的改进

    该研究旨在提高现有面部图像质量评估（FIQA）技术的性能与稳定性以适用于真实世界场景。采用基于监督质量标签优化的方法，结合特定的面部识别模型（ArcFace，ElasticFace，CurricularFace），在五个常用基准测试数据集上，对六种最新的 FIQA 方法（CR-FIQA，FaceQAN，SER-FIQ，PCNet，MagFace，SDD-FIQA）进行了全面的实验评估，取得了令人鼓舞的结果。

    May, 2023

  • QGFace: 基于质量指导的混合质量人脸识别联合训练

    我们提出了一种新颖的质量引导联合训练方法，能够同时学习不同质量的图像，并基于质量分割，应用基于分类的方法学习高质量数据，以及应用自监督的图像 - 图像对比学习方法学习低质量图像。在多个数据集上的实验证明了我们提出的方法在识别不同质量的人脸图像方面的有效性。

    Dec, 2023

  • AdaFace：用于人脸识别的质量自适应边距

    本研究提出了一种新的损失函数 AdaFace，它可以基于图像质量加重不同难度的样本，通过用特征范数来近似图像质量，从而提高人脸识别性能。

    Apr, 2022

  • 自动人脸图像质量预测

    通过支持向量回归模型与卷积神经网络提取的人脸特征预测人脸图像质量，利用人类对人脸图像质量的评估创建跨库评估的人脸图像预测器，在减少 FNMR 方面表现出极高的效果，是第一个成功应用人工评估的跨库人脸质量预测研究。

    Jun, 2017

  • 基于补丁的概率图像质量评估用于人脸选择和视频人脸识别改进

    提出一种有效的基于 patch 的人脸图像质量评估算法，该算法综合考虑了人脸图像的几何对齐、锐度、头部姿势等因素，能够识别最正面、对齐、锐利和照明良好的图像，并在实验中表明在人脸子集的选择方面，该方法优于现有技术，使人脸识别准确度显著提高。

    Apr, 2013

  • 基于深度学习的人脸识别质量评估

    本文提出了基于深度学习的人脸识别质量评估方法，该方法采用卷积神经网络 FaceQnet 对输入图像进行预测，使用 BioLab-ICAO 框架标记 VGGFace2 图像的质量信息进行训练，最终证实 FaceQnet 得分与商用系统的人脸识别准确性高度相关。

    Apr, 2019

  • EQFace：用于人脸识别的简单显式质量网络

    本文提出了一种基于神经网络的人脸识别质量评分方法，该方法在提取特征向量时给出一个明确的定量质量评分，不需要训练用于注释的人脸质量标签数据集，适用于在线的视频人脸识别。

    May, 2021

  • 深層增強多模態集成人臉識別及樣本級權重

    利用多模型增强技术和样本级加权方法提出了一种强大的特征提取器，通过解决当前面部识别训练基准中高质量图片过多导致对困难样本泛化能力差的问题，以及将样本困难度纳入训练准则，取得了比其他算法更优的表现。

    Aug, 2023

  • SER-FIQ: 基于随机嵌入鲁棒性的无监督人脸图像质量估计

    本文提出了一种基于随机子网络的人脸图像质量评估方法，使用嵌入变化来估计样本表示的健壮性和相应的图像质量，并在三个公开数据库上进行了交叉数据库评估。实验表明，此方法超过了其他学术和工业界的六种方法，表现出稳定的性能。

    Mar, 2020