【论文标题】Inducing Predictive Uncertainty Estimation for Face Recognition
【作者团队】Weidi Xie，Jeffrey Byrne，Andrew Zisserman 【发表时间】2020/09/01 【论文链接】https://arxiv.org/pdf/2009.00603.pdf

【推荐理由】 本文将收录于British Machine Vision Conference（BMVC）。 人脸识别在训练阶段使用的图像质量通常是有保障的，但是推理阶段输入到验证系统的面部图像可能是轮廓、模糊或低分辨率的图像，从而导致误报或漏报。本文提出了一种从配对的人脸图像中自动生成图像质量训练数据的方法，并利用生成的数据训练一个轻量级的预测置信度的网络PCNet来估计人脸图像的置信度，以此反映该图像是否包含足够的可识别的的高质量信息。PCNet的有效性体现在以下三个方面： （1）通过拒绝低质量的人脸图像来改善图像的验证错误率 （2）在验证基准上提高基于质量分数的融合性能 （3）选择高质量(无模糊、良好照明、更正面)数据集的人脸图像，用于自动标记或展示 图片: https://uploader.shimo.im/f/ZNs4VEFGqn8IRmXM.png

实验表明，本文所提出的PCNet确实能够学习到一种与人脸图像信息相关的质量度量。与基线模型MNet和QNet相比，在所有指标上都表现出了优越的性能。

内容中包含的图片若涉及版权问题，请及时与我们联系删除