为人脸识别引入预测性不确定性估计
计算机视觉与模式识别
2020-09-02 v1 机器学习
摘要
知道输出何时可被信任对于可靠使用人脸识别系统至关重要。尽管近期研究在提升人脸验证性能方面付出了巨大努力，但理解模型预测应否被信任却甚少受到关注。我们的目标是为一张人脸图像分配一个置信度分数，以反映其就可识别信息而言的质量。为此，我们提出一种从人脸图像的“匹配对(mated-pairs)”自动生成图像质量训练数据的方法，并利用所生成的数据训练一个轻量的预测置信网络，称为 PCNet，用于估计人脸图像的置信度分数。我们借助其错误率对拒绝性能系统评估了 PCNet 的效用，并证明它可普遍地与任意验证模型配对并提升其鲁棒性。我们在公开 IJB-C 人脸验证基准上描述了三个用例：(i) 通过拒绝低质量人脸图像来降低 1:1 基于图像的验证错误率；(ii) 在 1:1 基于集合的验证基准上提升基于质量分数的融合性能；(iii) 用作从图像集合中筛选高质量（未模糊、光照良好、更正面）人脸的质量度量，例如用于自动注册或展示。
引用
@article{arxiv.2009.00603,
title = {Inducing Predictive Uncertainty Estimation for Face Recognition},
author = {Weidi Xie and Jeffrey Byrne and Andrew Zisserman},
journal= {arXiv preprint arXiv:2009.00603},
year = {2020}
}
备注
To Appear at the British Machine Vision Conference (BMVC), 2020