摘要
本文针对集合到集合识别问题，研究了两个图像集之间的度量学习方法。每个集合中的图像都属于同一身份。由于集合内的图像可以相互补充，因此在实际应用中有望提高识别准确性。然而，每个样本的质量无法得到保证，低质量的样本会损害度量效果。为此，本文提出了一种质量感知网络（Quality Aware Network, QAN），该网络能够在训练阶段未明确提供此类信息的情况下自动学习每个样本的质量。该网络包含两个分支，其中一个分支提取每个样本的外观特征嵌入，另一个分支预测每个样本的质量评分。随后，将一个集合内所有样本的特征和质量评分聚合生成最终的特征嵌入。我们证明了仅通过集合级别的身份注释即可对这两个分支进行端到端的训练。对该机制梯度传播的分析表明，网络所学的质量信息有助于集合到集合的识别，并简化了网络需要拟合的数据分布。在人脸验证和行人重识别实验中均显示出所提出的QAN的优势。源代码和网络结构可从https://github.com/sciencefans/Quality-Aware-Network下载。