用于集合到集合识别的质量感知网络

本文针对集合到集合识别问题，即学习两个图像集之间的度量。每个集合中的图像属于同一身份。由于集合中的图像可以是互补的，它们有望在实际应用中带来更高的准确率。然而，每个样本的质量无法保证，质量差的样本会损害度量。本文提出质量感知网络(QAN)来解决此问题，其中每个样本的质量可自动学习，尽管在训练阶段未显式提供此类信息。该网络有两个分支，第一个分支提取每个样本的外观特征嵌入，另一个分支预测每个样本的质量分数。集合中所有样本的特征和质量分数随后被聚合以生成最终的特征嵌入。我们展示了在仅给定集合级身份标注的情况下，两个分支可以以端到端方式训练。对该机制梯度传播的分析表明，网络学习到的质量有益于集到集识别，并简化了网络需要拟合的分布。在人脸验证和行人重识别上的实验显示了所提出的 QAN 的优势。源代码和网络结构可在 https://github.com/sciencefans/Quality-Aware-Network 下载。