图片质量评估论文 | 无监督SER-FIQ | CVPR2020
2021-01-14 23:11
966 查看
文章转自:同作者微信公主号【机器学习炼丹术】。欢迎交流,共同进步。
- 论文名称:SER-FIQ: Unsupervised Estimation of Face Image Quality Based on Stochastic Embedding Robustness
- 论文链接:https://arxiv.org/abs/2003.09373
0 综述
这可能是我看CVPR论文中,唯一一个5分钟就看完原理的论文了,简单有趣。这一篇文章是CVPR2020的与图像质量评估相关的文章,整体思想比较新颖,而且是无监督的方式,感觉构思不错,我要好好读读这一篇。
1 细节
人脸质量评估的目的是评估一个人脸图片与面部识别算法的适用性,什么是高质量的人脸图片?不是看的清晰的,而是可以正确被面部识别算法识别的。
基于这种思想,计算人脸识别算法的随机子网络的输出的方差,得到图片的鲁棒性,从而反应图片的质量,如下图:
上图中的随机子网络,其实就是dropout实现的全连接层,所以要求人脸识别模型中必须包含dropout层。
作者对于每个图片,随机构建了m个随机子网络,然后对m个输出计算方差。我们用数学来表示这m个随机子网络的输出:
\(X(I)=\{x_s\}, s \in {1,2,...,m}\)
其中I表示原始图像,m为随机子网络的数量,\(s_m\)表示第m个随机子网络,输入I的时候的输出。
那么我们用下面的公式来计算图像I的quality score:
这样质量分数是在0和1之间的一个数字。
这个流程图也很简单,跟我们刚才说的一样。
2 总结
上图是一个实验结果图,不同模型的之间的对比。论文后面用大量篇幅在各种人面识别模型和数据集上做实验和对比,这里就不多描述了。回头有机会,这个方法可以试一试,简单又有意思。
相关文章推荐
- 【论文笔记】CVPR2020 Multi-scale Domain-adversarial Multiple-instance CNN for Cancer Subtype Classificatio
- (八:2020.08.27)CVPR 2020 追踪之论文纲要(译)
- 图片质量评估算法
- CVPR2020论文解析:视觉算法加速
- 【论文笔记】CVPR2020 Predicting Lymph Node Metastasis Using Histopathological Images Based on Multiple Ins
- 【论文笔记】CVPR2020 Disentangling and Unifying Graph Convolutions for Skeleton-Based Action Recognition
- 基于监督学习+自监督学习的智能抠图,精确到发丝 | CVPR 2020
- 2020CVPR人体姿态估计论文盘点
- CVPR2020论文解析:视频语义检索
- 【论文笔记】CVPR2020 Skeleton-Based Action Recognition with Shift Graph Convolutional Network
- 论文阅读:深度监督跨模态检索 Deep Supervised Cross-modal Retrieval, CVPR 2019
- CVPR2020| 最新CVPR2020论文抢先看,附全部下载链接!
- 基于模板图片的图片质量评估方法
- CVPR2020及ICRA2020中视觉定位论文集锦
- CVPR2020论文解析:视频分类Video Classification
- 【论文笔记】CVPR2020 Rethinking Computer-aided Tuberculosis Diagnosis
- 图像美学质量评估相关论文简介
- CVPR2020开源论文(部分带阅读笔记)
- 【论文笔记】CVPR2020 Exploring Self-attention for Image Recognition
- 把人骑马变成人牵着马,这篇 CVPR2020 论文实现语义级别图像修改