ScaleFace: Uncertainty-aware Deep Metric Learning

要約

最新の深層学習ベースのシステムのパフォーマンスは、入力オブジェクトの品質に大きく依存します。
たとえば、ぼやけた入力や破損した入力では、顔認識の品質が低下します。
ただし、より複雑なシナリオで得られる精度に対する入力品質の影響を予測することは困難です。
計算コストをほとんど追加せずに不確実性を直接推定できる深層計量学習のアプローチを提案します。
開発された \textit{ScaleFace} アルゴリズムは、埋め込み空間の類似性を変更するトレーニング可能なスケール値を使用します。
これらの入力依存のスケール値は、認識結果の信頼度を表すため、不確実性の推定が可能になります。
他の不確実性を認識する顔認識アプローチと比較して、ScaleFace の優れたパフォーマンスを示す顔認識タスクに関する包括的な実験を提供します。
また、結果をテキストから画像への検索のタスクに拡張し、提案されたアプローチが競合他社を大幅に上回ることを示しています。

要約(オリジナル)

The performance of modern deep learning-based systems dramatically depends on the quality of input objects. For example, face recognition quality would be lower for blurry or corrupted inputs. However, it is hard to predict the influence of input quality on the resulting accuracy in more complex scenarios. We propose an approach for deep metric learning that allows direct estimation of the uncertainty with almost no additional computational cost. The developed \textit{ScaleFace} algorithm uses trainable scale values that modify similarities in the space of embeddings. These input-dependent scale values represent a measure of confidence in the recognition result, thus allowing uncertainty estimation. We provide comprehensive experiments on face recognition tasks that show the superior performance of ScaleFace compared to other uncertainty-aware face recognition approaches. We also extend the results to the task of text-to-image retrieval showing that the proposed approach beats the competitors with significant margin.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google