Wahrscheinlichkeitstheoretische Gesichtsembeddings

Einbettungsmethoden haben bei der Gesichtserkennung durch den Vergleich von Gesichtseigenschaften in einem latenten semantischen Raum Erfolge erzielt. Allerdings können die durch das Einbettungsmodell gelernten Gesichtseigenschaften in einer vollständig unbeschränkten Gesichtsumgebung unklar sein oder gar nicht im Eingangsgesicht vorhanden sein, was zu verrauschten Darstellungen führt. Wir schlagen probabilistische Gesichtseinbettungen (PFEs) vor, die jedes Gesichtsbild als Gauß-Verteilung im latenten Raum darstellen. Der Mittelwert der Verteilung schätzt die wahrscheinlichsten Eigenschaftswerte, während die Varianz die Unsicherheit in den Eigenschaftswerten zeigt. Probabilistische Lösungen können dann auf natürliche Weise unter Verwendung der Unsicherheitsinformationen für das Abgleichen und Füllen von PFEs abgeleitet werden. Empirische Bewertungen anhand verschiedener Basismodelle, Trainingsdatensätze und Benchmarks zeigen, dass die vorgeschlagene Methode die Leistungsfähigkeit der deterministischen Einbettungen bei der Gesichtserkennung verbessern kann, indem sie in PFEs umgewandelt werden. Die durch PFEs geschätzten Unsicherheiten dienen auch als gute Indikatoren für die potentielle Abgleichsgenauigkeit, was für ein risikobasiertes Erkennungssystem von Bedeutung ist.