极低分辨率人脸识别和质量估计的可识别性嵌入增强
灰色标记:可以日后引用的观点 红色标记:好的写法、语句、单词 紫色标记:文章重点 黄色标记:寻常突出
文章评论::
创新点::
主要内容::【嵌入空间;unrecognizable identities (UIs)】
首先提出RI(recognizability index,识别指数)用于表达一个样本的识别质量(face recognizability/face quality)。RI与UI中心有关,与positive and negative class prototypes有关。
其次提出index diversion (ID) loss使得UIs(也就相当于是难分样本)从UIs cluster中分离出来。
再次提出感知力注意力模块,推测远离us聚类中心的嵌入投影有利于缓解模型在人脸模糊情况下无法突出有意义特征的不足。
文章强调,专注于解决UI上嵌入学习 有助于提高解释力,同时促进类别间的分离,特别是对于难以识别的实例。
研究结论::
1)可识别性指数(RI)来表征每个图像的可识别性
2)关注从us集群投射出来的嵌入为模型更精确地突出面部特征提供了更强的解释力。
研究局限及其展望::
疑问:没看懂值几个模块是放在网络结构的哪个位置的。没找到代码。
Face Image Quality Assessment (FIQA)人脸图像质量评估
XXX-aware: 有什么什么意识的,可以用于确定任务范围(如 recognizability-aware embedding learning,如 Learning deep part-aware embedding)
1) Recognizability Index (RI) Formulation由三项组成
针对每一个实例 i ,
# intra-class proximity
# inter-class proximity
# UI proximity
最后,
# 给定ε = 1e−7以避免被0整除
2) Perceptibility Regression Module 感知力回归模块/理解力回归模块
使用smooth L1 loss
3) Index Diversion Loss 试图通过最小化ID损失将难以识别的实例推到指定τ之外
实验部分
A) 与SOTA进行比较。TinyFace、SCFace、SurvFace。
1) 各个Loss项的作用的消融
2) 超参数选择
3)Face Recognizability-Aware Embeddings人脸感知嵌入(对应那个IDloss)
4) Effect of Perceptibility Attention Module(对应感知力注意力模块)
c. 人脸图像质量评估
强相关文章:
[36] 揭示了人脸质量与识别性能之间的关系。Wasserstein distances between intra-class and inter-class similarity distributions。需要看一眼。
[9] Siqi Deng, Yuanjun Xiong, Meng Wang, Wei Xia, and Stefano Soatto. Harnessing unrecognizable faces for improving face recognition, 2021. 利用无法识别的人脸来提高人脸识别
第一篇CVPR精读!合抱之木生于毫末,加油!