面向识别的深度微小网络人脸图像质量评估
计算机视觉与模式识别
2024-01-23 v2
摘要
近年来，由于深度卷积神经网络（CNN）的发展，人脸识别取得了显著进展。在许多人脸识别（FR）场景中，人脸图像是从具有巨大类内变化的序列中获取的。这些主要由低质量人脸图像影响的类内变化，导致了识别性能的不稳定。以往的工作侧重于启发式方法以从视频中选择帧，或使用仅考虑某种特定失真或多种失真组合的人脸图像质量评估（FIQA）方法。在本工作中，我们提出了一种高效的、面向 FR 的无参考图像质量评估方法，直接将图像质量评估（IQA）与 FR 联系起来。更具体地，我们提出了一种新的无需任何参考的图像质量度量。基于所提出的质量度量，我们提出了一种深度微小人脸质量网络（tinyFQnet），以从数据中学习质量预测函数。我们在两个经典的基于视频（或基于模板）的基准 IJB-B 和 YTF 上，针对不同的强大 FR 模型对所提方法进行了评估。大量实验表明，尽管 tinyFQnet 比其他模型小得多，但所提方法在有效性和效率方面均优于最先进的质量评估方法。
引用
@article{arxiv.2106.04852,
title = {Deep Tiny Network for Recognition-Oriented Face Image Quality Assessment},
author = {Baoyun Peng and Min Liu and Zhaoning Zhang and Kai Xu and Dongsheng Li},
journal= {arXiv preprint arXiv:2106.04852},
year = {2024}
}