面向人脸识别的质量感知样本到样本比较
计算机视觉与模式识别
2023-06-08 v1
摘要
当前可用的人脸数据集主要由大量高质量样本和少量低质量样本组成。因此，人脸识别 (FR) 网络无法学习低质量样本的分布，因为它们在训练中较少出现（代表性不足）。此外，当前最先进的 FR 训练范式基于样本到中心的比较（即基于 Softmax 的分类器），这导致训练与测试指标之间缺乏一致性。本工作将样本级的质量感知学习过程集成到分类训练范式 (QAFace) 中。在这方面，通过使用质量感知函数，Softmax 中心被自适应地引导以更多地关注低质量样本。相应地，QAFace 对基于 Softmax 的分类器的更新过程添加了基于质量的调整，以提升在代表性不足的低质量样本上的性能。我们的方法自适应地发现训练数据集中可识别的低质量样本并分配更多注意力。此外，QAFace 利用特征幅值作为质量的代理，忽略不可识别的低质量样本。因此，QAFace 防止类中心偏离最优方向。所提方法在 CFP-FP、LFW、CPLFW、CALFW、AgeDB、IJB-B 和 IJB-C 数据集上的广泛实验结果中优于最先进算法。
引用
@article{arxiv.2306.04000,
title = {A Quality Aware Sample-to-Sample Comparison for Face Recognition},
author = {Mohammad Saeed Ebrahimi Saadabadi and Sahar Rahimi Malakshan and Ali Zafari and Moktari Mostofa and Nasser M. Nasrabadi},
journal= {arXiv preprint arXiv:2306.04000},
year = {2023}
}
备注
IEEE/CVF Winter Conference on Applications of Computer Vision (WACV23)