可解释人脸识别
计算机视觉与模式识别
2020-08-04 v1
摘要
可解释人脸识别是解释人脸匹配器为何匹配人脸的问题。在本文中，我们提供了首个针对可解释人脸识别的综合基准与基线评估。我们定义了一种称为“修复游戏”的新评估协议，该协议包含 95 个主体的 3648 个三元组（探针、匹配、非匹配）的精选集合，这些三元组通过合成修复所选面部特征（如鼻子、眉毛或嘴）生成修复后的非匹配项来产生差异。可解释人脸匹配器的任务是生成网络注意力图，以最佳方式解释探针图像中哪些区域与匹配图像匹配，而不与每个三元组中的修复非匹配项匹配。这为量化哪些图像区域有助于人脸匹配提供了真值。此外，我们在此数据集上提供了综合基准，比较了三种人脸匹配器上五种最先进的人脸识别网络注意力方法。该基准包括两种称为子树 EBP 和基于密度的输入采样解释（DISE）的新网络注意力算法，其性能大幅优于最先进水平。最后，我们在新图像上展示了这些网络注意力技术的定性可视化，并探讨了这些可解释人脸识别模型如何提升人脸匹配器的透明度和可信度。
引用
@article{arxiv.2008.00916,
title = {Explainable Face Recognition},
author = {Jonathan R. Williford and Brandon B. May and Jeffrey Byrne},
journal= {arXiv preprint arXiv:2008.00916},
year = {2020}
}
备注
To appear in the Proceedings of ECCV 2020. Project page at https://stresearch.github.io/xfr