FaceQnet：基于深度学习的人脸识别质量评估
计算机视觉与模式识别
2019-04-05 v2 机器学习
图像与视频处理
摘要
在本文中，我们开发了一种基于深度学习的人脸识别质量评估方法。该方法由一个名为 FaceQnet 的卷积神经网络组成，用于预测特定输入图像在人脸识别任务中的适用性。FaceQnet 的训练使用 VGGFace2 数据库完成。我们采用 BioLab-ICAO 框架为 VGGFace2 图像标注与其 ICAO 合规级别相关的质量信息。真实质量标签使用 FaceNet 生成比对分数获得。我们利用真实数据对基于 ResNet 的 CNN 进行微调，使其能够为每张输入图像返回一个数值化质量度量。最后，我们验证了 FaceQnet 分数是否适合预测在特定图像用于商业现成（COTS）人脸识别系统时进行人脸识别的预期性能。从本工作中可得出若干结论，最显著的是：1）我们成功利用现有的 ICAO 合规框架和预训练 CNN 自动为数据标注质量信息；2）我们通过微调预训练人脸识别网络（ResNet-50）训练了用于质量估计的 FaceQnet；3）我们已表明 FaceQnet 的预测与开发过程中未使用的先进商业系统的人脸识别准确率高度相关。FaceQnet 已在 GitHub 上公开可用。
引用
@article{arxiv.1904.01740,
title = {FaceQnet: Quality Assessment for Face Recognition based on Deep Learning},
author = {Javier Hernandez-Ortega and Javier Galbally and Julian Fierrez and Rudolf Haraksim and Laurent Beslay},
journal= {arXiv preprint arXiv:1904.01740},
year = {2019}
}
备注
Preprint version of a paper accepted at ICB 2019