QMagFace: Einfach und genau bei der qualitätsbewussten Gesichtserkennung

Gesichtserkennungssysteme müssen große Variabilitäten (wie unterschiedliche Pose, Beleuchtung und Ausdrucksvariationen) bewältigen, die zu falschen Übereinstimmungsentscheidungen führen können. Diese Variabilitäten können anhand der Gesichtsbildqualität gemessen werden, die über die Nützlichkeit einer Probe für die Erkennung definiert ist. Bisherige Arbeiten zur Gesichtserkennung nutzen entweder diese wertvolle Information nicht oder greifen auf Qualitätsabschätzungen zurück, die nicht inhärent geeignet sind. In dieser Arbeit stellen wir eine einfache und effektive Lösung für die Gesichtserkennung (QMagFace) vor, die einen qualitätsbewussten Vergleichsabstand mit einem Erkennungsmodell kombiniert, das auf einer magnitudebewussten Winkelmarginalverlustfunktion basiert. Der vorgeschlagene Ansatz integriert modellspezifische Gesichtsbildqualitäten in den Vergleichsprozess, um die Erkennungsleistung unter unbeschränkten Bedingungen zu verbessern. Durch Ausnutzung der Linearität zwischen den Qualitäten und ihren Vergleichsabständen, die durch den eingesetzten Verlust verursacht wird, ist unsere qualitätsbewusste Vergleichsfunktion einfach und hochgeneralisierbar. Experimente an mehreren Gesichtserkennungsdatenbanken und Benchmarks zeigen, dass die eingeführte Qualitätsbewusstheit zu konsistenten Verbesserungen der Erkennungsleistung führt. Darüber hinaus erzielt der vorgeschlagene QMagFace-Ansatz besonders gute Ergebnisse unter anspruchsvollen Bedingungen, wie beispielsweise bei cross-pose-, cross-age- oder cross-quality-Szenarien. Dadurch erreicht er state-of-the-art-Leistungen auf mehreren Gesichtserkennungsbenchmarks, beispielsweise 98,50 % auf AgeDB, 83,95 % auf XQLFQ und 98,74 % auf CFP-FP. Der Quellcode für QMagFace ist öffentlich verfügbar.