文章轉自：同作者微信公主號【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
- 論文鏈接：https://arxiv.org/abs/2003.09373
0 綜述
這可能是我看CVPR論文中，唯一一個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，整體思想比較新穎，而且是無監督的方式，感覺構思不錯，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個人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，而是可以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，得到圖片的魯棒性，從而反應圖片的質量，如下圖：
上圖中的隨機子網絡，其實就是dropout實現的全連接層，所以要求人臉識別模型中必須包含dropout層。
作者對於每個圖片，隨機構建了m個隨機子網絡，然後對m個輸出計算方差。我們用數學來表示這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。
那麼我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，跟我們剛纔說的一樣。
2 總結
上圖是一個實驗結果圖，不同模型的之間的對比。論文後面用大量篇幅在各種人面識別模型和數據集上做實驗和對比，這裏就不多描述了。回頭有機會，這個方法可以試一試，簡單又有意思。