圖片質量評估論文 | 無監督SER-FIQ | CVPR2020

文章轉自：同做者微信公主號【機器學習煉丹術】。歡迎交流，共同進步。

• 論文名稱：SER-FIQ: Unsupervised Estimation of Face Image Quality Based on Stochastic Embedding Robustness
• 論文連接：https://arxiv.org/abs/2003.09373

0 綜述

這多是我看CVPR論文中，惟一一個5分鐘就看完原理的論文了，簡單有趣。這一篇文章是CVPR2020的與圖像質量評估相關的文章，總體思想比較新穎，並且是無監督的方式，感受構思不錯，我要好好讀讀這一篇。

1 細節

人臉質量評估的目的是評估一我的臉圖片與面部識別算法的適用性，什麼是高質量的人臉圖片？不是看的清晰的，而是能夠正確被面部識別算法識別的。

基於這種思想，計算人臉識別算法的隨機子網絡的輸出的方差，獲得圖片的魯棒性，從而反應圖片的質量，以下圖：

上圖中的隨機子網絡，其實就是dropout實現的全鏈接層，因此要求人臉識別模型中必須包含dropout層。

做者對於每一個圖片，隨機構建了m個隨機子網絡，而後對m個輸出計算方差。咱們用數學來表示這m個隨機子網絡的輸出：

\(X(I)=\{x_s\}, s \in {1,2,...,m}\)

其中I表示原始圖像，m爲隨機子網絡的數量，\(s_m\)表示第m個隨機子網絡，輸入I的時候的輸出。

那麼咱們用下面的公式來計算圖像I的quality score：

這樣質量分數是在0和1之間的一個數字。

這個流程圖也很簡單，跟咱們剛纔說的同樣。

2 總結

上圖是一個實驗結果圖，不一樣模型的之間的對比。論文後面用大量篇幅在各類人面識別模型和數據集上作實驗和對比，這裏就很少描述了。回頭有機會，這個方法能夠試一試，簡單又有意思。