ERK'2022, Portorož, 390-393 390 Iterativna optimizacija ocen kakovosti slikovnih podatkov v sistemih za razpoznavanje obrazov ˇ Ziga Babnik, Vitomir ˇ Struc Univerza v Ljubljani, Fakulteta za Elektrotehniko, Trˇ zaˇ ska cesta 25, 1000 Ljubljana, Slovenija { ziga.babnik, vitomir.struc} @fe.uni-lj.si Iterative Optimization of Pseudo Ground-Truth Face Image Quality Labels While recent face recognition (FR) systems achieve ex- cellent results in many deployment scenarios, their per- formance in challenging real-world settings is still under question. For this reason, face image quality assessment (FIQA) techniques aim to support FR systems, by pro- viding them with sample quality information that can be used to reject poor quality data unsuitable for recognition purposes. Several groups of FIQA methods relying on dif- ferent concepts have been proposed in the literature, all of which can be used for generating quality scores of fa- cial images that can serve as pseudo ground-truth (qual- ity) labels and can be exploited for training (regression- based) quality estimation models. Several FIQA appro- aches show that a significant amount of sample-quality information can be extracted from mated similarity-score distributions generated with some face matcher. Based on this insight, we propose in this paper a quality label op- timization approach, which incorporates sample-quality information from mated-pair similarities into quality pre- dictions of existing off-the-shelf FIQA techniques. We evaluate the proposed approach using three state-of-the- art FIQA methods over three diverse datasets. The results of our experiments show that the proposed optimization procedure heavily depends on the number of executed optimization iterations. At ten iterations, the approach seems to perform the best, consistently outperforming the base quality scores of the three FIQA methods, chosen for the experiments. 1 Uvod Moderni sistemi za razpoznavanje obrazov dosegajo izvrstne rezultate, tudi na veˇ cjih, ter bolj teˇ zavnih podat- kovnih zbirkah obraznih slik, kot je recimo zbirka IARPA Janus Benchmark-C (IJB-C) [11]. Vendar je prenos izje- mnih rezultatov v realni svet, za naloge kot je video nad- zor, zaradi slabe kakovosti slikovnih podatkov zaenkrat ˇ se neuresniˇ cljiv. Za laˇ zje uresniˇ cevanje doseganja do- brih in zanesljivih rezultatov obraznih razpoznavalnikov, se je pojavilo raziskovalno podroˇ cje ocenjevanja kakovo- sti obraznih slik (angl. Face Image Quality Assessment - FIQA), ki skuˇ sa oceniti biometriˇ cno kakovost vzorca za Podprto s strani ARRS raziskovalnega programa P2–0250 (B), ter ARRS programom mladih raziskovalcev. namene razpoznavanja [9]. Biometriˇ cna kakovost je po- gosto definirana kot koristnost oz. primernost vzorca za namene obdelave v sodobnih sistemih za razpoznavanje obrazov [13]. Biometriˇ cna kakovost je torej tesno pove- zana z vizualno kakovostjo vzorca, a ji ni povsem enaka. Obstaja veˇ c skupin pristopov ocenjevanja (biometr- iˇ cne) kakovosti obraznih slik. Najbolj razˇ sirjena skupina se posluˇ zuje ustvarjanja psevdo referenˇ cnih vrednosti ka- kovosti veˇ cjega nabora vzorcev. Referenˇ cne vrednosti nato uporabijo za uˇ cenje regresijskih modelov, sposob- nih samostojnega napovedovanja ocen kakovosti [8, 6, 16, 4]. V zadnjem ˇ casu se pojavljajo tudi metode, ki zdruˇ zujejo nalogo razpoznavanja obrazov in ocenjevanja kakovosti [12, 14], ter analitiˇ cni postopki, ki za oceno ka- kovosti uporabijo zgolj karakteristike vhodnega vzorca in lastnosti izbranega razpoznavalnika [15, 1]. Pristope iz katerekoli zgoraj omenjene skupine je mo- goˇ ce uporabiti tudi za razvoj FIQA metod z nadzorova- nim uˇ cenjem. V tem primeru za veˇ cji nabor obraznih slik s pomoˇ cjo izbrane FIQA metode pridobimo ocene (psevdo) referenˇ cnih oznak kakovosti, le-te pa nato upo- rabimo za uˇ cenje modela za ocenjevanje kakovosti. Pri tem lahko pridobljene ocene kakovosti pred uˇ cenjem obo- gatimo in izboljˇ samo s pomoˇ cjo dodatnih zunanjih infor- macij, kot je recimo porazdelitev podobnosti med uje- majoˇ cimi se pari obraznih slik (v smislu identitete). Mno- gi obstojeˇ ci FIQA pristopi namreˇ c kaˇ zejo na dejstvo, da podobnost takˇ snih parov vsebuje precejˇ snjo koliˇ cino in- formacij o sami kakovosti posameznih vzorcev [6, 4]. Na podlagi predstavljene ideje v tem ˇ clanku predstavimo pri- stop za (iterativno) izboljˇ sevanje zaˇ cetnih ocen kakovosti obraznih slik, ustvarjenih z izbranim FIQA modelom, ki temelji na vkljuˇ cevanju dodatnih informacij, pridobljenih iz primerjav ujemajoˇ cih se slik obrazov. Izboljˇ sane ocene lahko nato uporabimo v postopku nadzorovanega uˇ cenja regresijske mreˇ ze za ocenjevanje kakovosti obraznih slik. 2 Pregled podroˇ cja V tem razdelku predstavimo tri glavne skupine FIQA metod, ki jih lahko razdelimo v: analitiˇ cne, regresijske ter mreˇ zne pristope. Podrobnejˇ si pregled podroˇ cja je pred- stavljen v nedavnem preglednem ˇ clanku [13]. Analitiˇ cni pristopi temeljijo na izloˇ canju ocene ka- kovosti iz informacije prisotne v samem vzorcu. Zaradi tega se preteˇ zno osredotoˇ cajo na vizualno kakovost in po- gostjo ne dosegajo konkurenˇ cnih rezultatov v primerjavi z najnaprednejˇ simi reˇ sitvami iz literature. Starjeˇ si pri- 391 stop, ki so ga predstavili Gao et al. [7] poskuˇ sa prido- biti oceno kakovosti slikovnih podatkov z ocenjevanjem obrazne simetrije. Pred kratkim sta se pojavila dva pri- stopa, ki poleg karakteristik slik hkrati upoˇ stevata tudi informacijo izbranega razvrˇ sˇ cevalnika, in tako dosegata vrhunske rezultate. Prvi pristop, ki so ga predstavili Terh- ¨ orst et al. [15], se zanaˇ sa na uporabo izpustnih slojev mreˇ z, medtem ko drugi, predlagan s strani Babnika et al. [1], za oceno kakovosti izrablja nasprotniˇ ske pristope. Regresijski pristopi predstavljajo najˇ stevilˇ cnejˇ so sk- upino FIQA metod, ki temeljijo na uˇ cenju regresijksih modelov za ocenjevanje kakovosti iz pridelanih psevdo referenˇ cnih oznak kakovosti vzorcev. Eden izmed zaˇ ce- tnih postopkov iz te skupine, Ortege et al. [8], uˇ ci re- gresijsko nevronsko mreˇ zo, z uporabo oznak, pridoblje- nih s primerjavo vloˇ zitev najkakovostnejˇ si sliki vsakega posameznika. Pri tem se najkakovostnejˇ se slike posame- znikov izloˇ ci s pomoˇ cjo zunanjega orodja za preverjanje kakovosti. Naprednjeˇ si pristop, ki so ga predlagali Ou et al. [6], za napoved referenˇ cnih oznak kakovosti upo- rabi podobnosti tako ujemajoˇ cih kot tudi neujemajoˇ cih se parov obraznih slik in s tem pridela koristnejˇ se ocene ka- kovosti za uˇ cenje regresijskega FIQA modela. Mreˇ zni pristopi najveˇ ckrat zdruˇ zijo nalogi razpozna- vanja ter ocenjevanja kakovosti in se nauˇ cijo preslikave vhodnih slik v posebne vloˇ zitve, iz katerih je moˇ zno izlo- ˇ citi informacijo o identiteti, kot tudi informacijo o kako- vosti vzorca. Starejˇ si pristop avtorjev Shi in Jain [14] se nauˇ ci napovedati dvojice vektorjev, kjer prvi – povpreˇ cni vektor vsebuje informacijo o identiteti, drugi – vektor od- klona, iz katerega je moˇ zno izraziti kakovost vzorca, pa se navezuje na nedoloˇ cenost povpreˇ cnega vektorja. No- vejˇ si pristop, predlagan s strani Meng et al. [12], za po- trebe uˇ cenja razpoznavalnika obrazov uporabi prirejeno ArcFace funkcijo izgube, ki vkljuˇ cuje tudi informacijo o kakovosti vhodnega vzorca. 3 Metodologija Poglavitna naloga metod za oceno kakovosti obraznih slik je zajetje ˇ cim veˇ cje koliˇ cine informacij o koristno- sti oz. primernosti vzorca za biometriˇ cno razpoznavanje v konˇ cno oceno kakovosti. Mnoge raziskave kaˇ zejo na dejstvo, da podobnosti ujemajoˇ cih se parov obraznih slik vsebujejo velike koliˇ cine informacij o kakovosti vzorca, zato v tem razdelku predstavimo pristop, ki na podlagi teh informacij, iterativno optimizira predhodne napovedi kakovosti slikovnih vzorcev. Izboljˇ sane ocene kakovo- sti lahko nato uporabimo v postopku uˇ cenja regresijske mreˇ ze za ocenjevanje kakovosti obraznih slik. 3.1 Pregled pristopa Predpostavimo poljuben FIQA pristop za oceno ka- kovosti obraznih slikF q , ki za podani obrazni vzorecI i vrne oceno kakovosti q Ii = F q (I i ), veˇ cjo podatkovno zbirko obraznih slikI ={ I i } n i=1 , ki vsebuje slikeN≤ n razliˇ cnih posameznikov, ter ciljni obrazni razpoznavalnik M. Cilj naˇ sega pristopa je pridobiti optimizirane ocene kakovostiQ ∗ ={ q ∗ Ii } n i=1 , z iterativnim posodabljanjem osnovnih ocen kakovostiQ ={ q Ii } n i=1 , ki nam jih vrne pristop za oceno kakovostiF q , na podlagi informacij pri- dobljenih iz porazdelitve podobnosti ujemajoˇ cih se slik obrazovD ={ d i } m i=1 , kjer jem ˇ stevilo upoˇ stevanih pri- merjav slik. 3.2 Inicializacija pristopa Preden lahko izvedemo optimizacijo ocen, jih je po- trebno najprej pridobiti. Zato uporabimo izbran pristop F q in ga izvedemo nad celotno zbirko podatkovI. Tako pridobimo osnovne oceneQ = F q (I), ki jih nato nor- miramo na interval[0,1]. Prav tako potrebujemo vnaprej ustvarjene vloˇ zitve celotne zbirkeI, tj.E =M(I), ki jih pridobimo s pomoˇ cjo razpoznavalnika obrazovM . Na podlagi izbranega naboraI in pripadajoˇ cega se- znama identitet{ C i } N i=1 , zgradimo seznam ujemajoˇ cih se slik, tako da za vsak vzorec iz zbirke izberemok na- kljuˇ cnih vzorcev iste identitete. Za posamezen pristni par vzorcev(I i ,I j ), kjer veljaI i ,I j ∈ C k , nato izraˇ cunamo podobnost z uporabo kosinusne podobnosti: s cos (I i ,I j )= e i · e j ∥ e i ∥·∥ e j ∥ , (1) kjer stae i = M(I i ) tere j = M(I j ) vloˇ zitvi prej ome- njenih vzorcev. Izraˇ cunane podobnosti leˇ zijo na intervalu [− 1,1], zato jih podobno kot ocene kakovosti normiramo na interval[0,1]. Z izraˇ cunom podobnosti med vsemi pri- stnimi dvojicami lahko ustvarimo porazdelitev podobno- sti pristnih dvojicD. Za laˇ zje razumevanje nadaljnjih ko- rakov je potrebno izpostaviti ˇ se definicijo kakovosti para slik(I Ii ,I Ij ), ki je pogosto uporabljena na podroˇ cju oce- njevanja kakovosti: q p (I i ,I j )=min(q Ii ,q Ij ), (2) ki pravi, da je kakovost para kar enaka kakovosti slabˇ se slike v paru. 3.3 Iterativna optimizacija Po inicializaciji podobnosti pristnih dvojicD, torej parov slik, ki pripadajo isti osebi, lahko izvedemo posa- mezno iteracijo predlaganega pristopa. Prvi korak vkljuˇ cuje izraˇ cun korekcijskega faktorjaθ Ii vzorcaI i : θ Ii = 1 k k X j=0 s cos (I i ,I j ), (3) kjer je(I i ,I j ) pristni par . Pri izraˇ cunu uporabimo samo pare za katere velja q Ii ≤ q Ij − λ, (4) da je ocena kakovosti prve slikeq Ii manjˇ sa za veˇ c kotλ od ocene kakovosti druge slikeq Ij . Zaradi prej omenjene definicije kakovosti para vzorcev, prikazane v Enaˇ cbi (2), ki pravi, da na kakovost para vzorcev vpliva le manj ka- kovostni vzorec v paru, uporabimo pri izraˇ cunu korek- cijskega faktorja vzorca I i le pare, kjer I i nastopa kot manj kakovosten vzorec. Korekcijski faktorθ Ii predsta- vlja oceno kakovosti vzorca I i , ki upoˇ steva le informa- cijo prisotno iz porazdelitve pristnih parov. S pomoˇ cjo izraˇ cunanega korekcijskega faktorja lahko posodobimo trenutno kakovost vzorca posamezne slikeI i kot q j+1 Ii =q j Ii +ϵ · (θ Ii − q j Ii ), (5) kjer je j trenutna iteracija, ter ϵ vhodni parameter pri- stopa, ki doloˇ ca velikost premika posamezne iteracije. S premikom osnovne ocene, proti vrednosti korekcijskega 392 faktorja v oceno vkljuˇ cimo dodatno informacijo prido- bljeno iz porazdelitve pristnih parov. Po izvedbiL itera- cij, pridobimo nove, optimizirane ocene kakovostiQ ∗ = { q ∗ Ii } n i=1 , kjer jeq ∗ Ii =q L Ii . Ker lahko z nakljuˇ cnim izbiranjem pristnih dvojic v pristop vnesemo pristranskost, celoten postopek ponov- imo vT ponovitvah. Tako konˇ cno oceno kakovosti izraˇ cu- namo kot Q Ii = 1 T T X t=0 Q t Ii ∗ , (6) kjer jeQ t Ii ∗ mnoˇ zica optimiziranih ocen kakovosti t-te ponovitve postopka. 4 Eksperimenti in rezultati 4.1 Zasnova eksperimentov Modeli in podatki. Za zaˇ cetne ocene kakovosti obra- znih slik smo uporabili tri napredne FIQA pristope : CR- FIQA 1 [2], FaceQAN 2 [1] ter SDD-FIQA 3 [6]. Za po- trebe uˇ cenja in testiranja smo izbrali obrazni razpozna- valnik ArcFace 4 [5], ki temelji na ResNet100 arhitek- turi, uˇ ceni z izgubo kotnega razmaka. Za uˇ cenje smo izbrali zbirko VGGFace2 [3], ki vsebuje pribliˇ zno3 mili- jone slik,9131 razliˇ cnih identitet, za testiranje pa zbirke: CPLFW [17], CALFW [18] ter XQLFW [10]. Podat- kovna zbirka CPLFW se osredotoˇ ca na razlike v obrazni pozi, CALFW na razlike v starosti, XQLFW pa vsebuje obraze s ˇ sirokim razponom v (vizualni) kakovosti slik. Ovrednotenje zmogljivosti. Omenjeni razpoznaval- nik ArcFace smo priredili za potrebe ocenjevanja kako- vosti tako, da smo dodali regresijsko glavo in ga uˇ cili s pomoˇ cjoL 1 funkcije izgube. Uˇ cenje smo izvedli dvakrat, prviˇ c na osnovnih/zaˇ cetnih ocenah kakovosti in drugiˇ c na optimiziranih ocenah kakovosti vseh pristopov. Za po- trebe primerjave zmogljivosti mreˇ z uˇ cenih iz osnovnih in optimiziranih ocen smo uporabili ustaljen pristop krivulj zmote zoper zavrnitve, ki merijo stopnjo laˇ zno negativ- nih parov pri vnaprej doloˇ ceni vrednosti stopnje laˇ zno pozitivnih parov kot funkcijo razliˇ cnih stopenj zavrnitve slik zaradi nizke kakovosti [1]. Za pridobljene krivulje izraˇ cunamo ploˇ sˇ cino pod krivuljo, kjer manjˇ sa vrednost namiguje na boljˇ se ocene kakovosti. Za namene ovre- dnotenja optimizacijskega postopka, v ˇ clanku prikaˇ zemo ploˇ sˇ cino pod krivuljo pri razliˇ cnih stopnjah zavrnitve. Podrobnosti o implementaciji. Za zagotavljanje ro- bustnih ocen kakovosti, smo s pomoˇ cjo preliminarnih ek- sperimentov doloˇ cili T = 10 za ˇ stevilo ponovitev, pri ˇ cemer za vsako sliko v posamezni ponovitvi zgradimo N = 10 pristnih parov. Hkrati tako zagotovimo robu- stnost ter omejimo ˇ casovno kompleksnost pristopa. Cilj samega pristopa je le natanˇ cnejˇ sa prilagoditev zaˇ cetnih ocen kakovosti, zato izberemo ϵ = 0.01 in tako moˇ cno omejimo korak posamezne iteracije metode. Doloˇ cimo ˇ seλ =0.05 in tako dodatno kaznujemo pare slik, kjer sta kvaliteti pod zastavljeno mejo. Za ˇ stevilo iteracijL izbe- remo tri razliˇ cne vrednostiL∈ [5,10,15], saj nas zanima uˇ cinek poveˇ cevanja ˇ stevila iteracij na konˇ cne rezultate. 1 https://github.com/fdbtrs/CR-FIQA 2 https://github.com/LSIbabnikz/FaceQAN 3 https://github.com/Tencent/TFace/tree/quality 4 https://github.com/deepinsight/insightface Eksperimenti so izvedeni na namiznem raˇ cunalniku z In- tel i9-10900KF procesorjem, 64GB procesorskega pomnil- nika ter z Nvidia 3090 grafiˇ cno kartico, za izraˇ cun posa- mezne iteracije na podatkovni bazi VGGFace2, iz katere sestavimo okoli 33 milijonov pristnih parov, potrebujemo pribliˇ zno 540 sekund. 4.2 Primerjava dobljenih rezultatov Tabela 1 prikazuje rezultate eksperimentov, natanˇ cn- eje, vrednosti povrˇ sine pod krivuljo za vse tri izbrane pri- stope ocenjevanja kakovosti obraznih slik. Za realne apli- kacije so bolj pomembni rezultati pri manjˇ sih deleˇ zih za- vrnjenih slik, saj zaradi teˇ zav s kakovostjo ne ˇ zelimo za- vrniti prevelikega deleˇ za slik. V tabeli 1 so zato prikazane vrednosti povrˇ sin pri10%,20%,40% ter80% zavrnjenih slik. Posamezne vrstice rezultatov so oznaˇ cene s ˇ stevilom izvedenih iteracij,0 iteracij predstavlja osnovne rezultate pristopa brez optimizacije. Za laˇ zjo predstavitev in inter- pretacijo rezultatov predstavimo tudi povpreˇ cno vrednost za vse stopnje izpuˇ sˇ cenih slik – oznaˇ ceno zµ . FaceQAN. Opazimo lahko, da FaceQAN najboljˇ se rezultate v povpreˇ cju doseˇ ze pri desetih iteracijah, kjer pridobimo najboljˇ se rezultate za zbirkah CPLFW ter CA- LFW. Na zbirki XQLFW pa boljˇ se rezultate pristop dose- ˇ ze le ˇ se pri petih iteracijah. Kljub rezultatom na bazi XQLFW, metoda v povpreˇ cju preko vseh podatkovnih zbirk pridela najslabˇ se rezultate prav pri petih iteracijah, ki so slabˇ si tudi od osnovnih ocen kakovosti metode. CR-FIQA. Rezultati pristopa CR-FIQA preko razliˇ c- nih podatkovnih zbirk kaˇ zejo zelo raznolike rezultate, ki so moˇ cno odvisni od karakteristik testnih podatkov. Za bazo CPLFW dosegajo najboljˇ se rezultate ocene pri pet- najstih iteracijah, za CALFW pri desetih in za XQLFW pri petih iteracijah. Z izjemo desetih iteracij na bazi CP- LFW, dosegajo ocene desetih in petnajstih iteracij dosle- dno boljˇ se rezultate kot osnovne ocene. Kljub izjemi na bazi CPLFW lahko opazimo, da najboljˇ se rezultate v pov- preˇ cju preko vseh zbirk dosegajo ocene desetih iteracij. SDD-FIQA. Rezultati pristopa SDD-FIQA kaˇ zejo, da predstavljena metoda optimizacije uspe izboljˇ sati ocene kakovosti v vseh primerih razen na podatkovni bazi CPL- FW v primeru petnajstih iteracij, kjer je rezultat slabˇ si od osnovnih ocen pristopa. Kjub temu, da v primeru dese- tih iteracij ne doseˇ zemo najboljˇ sega rezultata za nobeno izmed podatkovnih zbirk, so rezultati v tem primeru naj- boljˇ si. Tesno sledijo rezultati petih in petnajstih iteracij, najslabˇ se rezultate pa dosegajo osnovne ocene metode. Primerjava med pristopi. Iz rezultatov je razvidno, da lahko z izbiro pravega ˇ stevila iteracij pridobimo boljˇ se ocene kakovosti na posamezni podatkovni zbirki, kot jih zagotavljajo osnovni FIQA pristopi. Izboljˇ sava je sicer majhna, kar ni nepriˇ cakovano, saj je namen pristopa le optimizacija predhodnih ocen kakovosti vzorcev, a je lah- ko pomembna za realne sisteme razpoznavanja obrazov. V primeru izbire desetih iteracij, dobimo za skoraj vse kombinacije pristopov in podatkovnih zbirk boljˇ se rezul- tate v primerjavi z osnovnimi ocenami. Medtem, ko so rezultati pri petih in petnajstih iteracijah moˇ cno odvisni od izbrane zbirke. V primeru zbirke XQLFW je oˇ citna boljˇ sa izbira manjˇ sega ˇ stevila iteracij, za zbirko CALFW pa veˇ cje ˇ stevilo iteracij. 393 Tabela 1: Primerjava vrednosti povrˇ sine pod krivuljo (↓ ) za vse izbrane metode na treh izbranih podatkovnih zbirkah. Najslabˇ si rezultat znotraj posamezne podatkovne zbirke, metode in deleˇ za zavrnjenih slik je obarvan rdeˇ ce, najboljˇ si zeleno. CPLFW CALFW XQLFW M † I ‡ 10% 20% 40% 80% µ 10% 20% 40% 80% µ 10% 20% 40% 80% µ FaceQAN 0 1.417 2.226 3.511 5.155 3.077 1.512 2.737 4.594 7.939 4.195 5.148 8.882 13.2 16.325 10.888 5 1.424 2.229 3.555 5.303 3.127 1.524 2.782 4.845 8.139 4.322 5.14 8.56 12.998 16.046 10.686 10 1.407 2.203 3.492 4.788 2.972 1.523 2.72 4.587 7.941 4.192 5.076 8.75 13.083 16.246 10.788 15 1.414 2.201 3.489 4.891 2.998 1.532 2.847 4.69 8.113 4.295 5.169 8.883 13.143 16.199 10.848 CR-FIQA 0 1.408 2.193 3.131 4.373 2.776 1.485 2.773 5.034 8.327 4.404 5.136 9.171 14.874 18.333 11.878 5 1.41 2.197 3.133 4.408 2.787 1.486 2.77 5.052 8.328 4.409 5.135 9.169 14.074 17.543 11.480 10 1.404 2.191 3.327 4.577 2.874 1.473 2.754 4.916 8.008 4.287 5.266 9.297 14.184 17.435 11.545 15 1.408 2.192 3.105 4.334 2.759 1.477 2.74 4.873 8.086 4.294 5.277 9.436 14.456 17.928 11.774 SDD-FIQA 0 1.517 2.467 3.47 4.615 3.017 1.465 2.719 4.922 8.248 4.338 5.214 9.414 16.695 22.968 13.572 5 1.505 2.431 3.404 4.586 2.981 1.45 2.705 4.803 8.375 4.333 5.165 9.406 16.19 21.711 13.118 10 1.482 2.372 3.544 4.671 3.017 1.466 2.715 4.874 8.122 4.294 5.43 9.756 16.07 21.498 13.188 15 1.483 2.382 3.587 4.756 3.052 1.461 2.705 4.725 8.08 4.242 5.439 9.813 15.965 21.748 13.241 M † - FIQA metoda , I ‡ - ˇ stevilo iteracij - najboljˇ si rezultat, - najslabˇ si rezultat 5 Zakljuˇ cek V ˇ clanku smo predstavili izviren postopek optimiza- cije predhodno izraˇ cunanih ocen kakovosti obraznih slik, ki skuˇ sa v zaˇ cetne ocene kakovosti vnesti dodatno infor- macijo, pridobljeno iz distribucije podobnost ujemajoˇ cih se parov slik. Rezultati eksperimentov s tremi metodami za oceno kakovosti in tremi podatkovnimi zbirkami (CP- LFW, CALFW in XQLFW) kaˇ zejo na moˇ cno odvisnost uspeˇ snosti postopka od izbire ˇ stevila iteracij optimizacije. V primeru manjˇ sega ˇ stevila iteracij, so rezultati za po- datkovni zbirki CPLFW ter CALFW slabˇ si od osnovnih ocen kakovosti. V primeru prevelikega ˇ stevila iteracij se zgodba ponovi za zbirko XQLFW. Najboljˇ se rezultate do- sledno ustvari pristop pri desetih iteracijah, kjer so rezul- tati veˇ cinoma boljˇ si od osnovnih ocen izbranih pristopov. Literatura [1] ˇ Z. Babnik, P. Peer, and V . ˇ Struc. FaceQAN: Face Image Quality Assessment Through Adversarial Noise Explora- tion. In ICPR, 2022. [2] F. Boutros, M. Fang, M. Klemt, B. Fu, and N. Damer. Cr- fiqa: Face image quality assessment by learning sample relative classifiability, 2021. [3] Q. Cao, L. Shen, W. Xie, O. M. Parkhi, and A. Zisserman. Vggface2: A dataset for recognising faces across pose and age. In IEEE international conference on automatic face & gesture recognition (FG 2018), pages 67–74, 2018. [4] K. Chen, T. Yi, and Q. Lv. Lightqnet: Lightweight deep face quality assessment for risk-controlled face recogni- tion. IEEE Signal Processing Letters, 28, 2021. [5] J. Deng, J. Guo, N. Xue, and S. Zafeiriou. Arcface: Addi- tive Angular Margin Loss for Deep Face Recognition. In CVF/IEEE Conference on Computer Vision and Pattern Recognition (CVPR), pages 4690–4699, 2019. [6] O. Fu-Zhao, X. Chen, R. Zhang, Y . Huang, S. Li, J. Li, Y . Li, L. Cao, and W. Yuan-Gen. SDD-FIQA: Unsupervi- sed Face Image Quality Assessment with Similarity Dis- tribution Distance. In CVF/IEEE Conference on Compu- ter Vision and Pattern Recognition (CVPR), 2021. [7] X. Gao, S. Z. Li, R. Liu, and P. Zhang. Standardization of face image sample quality. In International Conference on Biometrics, pages 242–251. Springer, 2007. [8] J. Hernandez-Ortega, J. Galbally, J. Fierrez, R. Haraksim, and L. Beslay. Faceqnet: Quality assessment for face re- cognition based on deep learning. In Proceedings of the IEEE International Conference on Biometrics (ICB), pa- ges 1–8, 2019. [9] ISO/IEC JTC 1/SC 37 Biometrics. Information Techno- logy - Biometric Sample Quality - Part 1: Framework. Standard ISO/IEC 29794-1:2016, International Organiza- tion for Standardization, 2016. [10] M. Knoche, S. Hoermann, and G. Rigoll. Cross-quality lfw: A database for analyzing cross- resolution image face recognition in unconstrained environments. In 2021 16th IEEE International Conference on Automatic Face and Gesture Recognition (FG 2021), pages 1–5, 2021. [11] B. Maze, J. Adams, J. A. Duncan, N. Kalka, T. Miller, C. Otto, A. K. Jain, W. T. Niggel, J. Anderson, J. Cheney, et al. Iarpa janus benchmark-c: Face dataset and protocol. In International Conference on Biometrics (ICB), pages 158–165, 2018. [12] Q. Meng, S. Zhao, Z. Huang, and F. Zhou. Magface: A universal representation for face recognition and qua- lity assessment. In CVF/IEEE Conference on Computer Vision and Pattern Recognition (CVPR), pages 14225– 14234, 2021. [13] T. Schlett, C. Rathgeb, O. Henniger, J. Galbally, J. Fierrez, and C. Busch. Face image quality assessment: A literature survey. ACM Computing Surveys, 2022. [14] Y . Shi and A. K. Jain. Probabilistic face embeddings. In Proceedings of the IEEE International Conference on Computer Vision (ICCV), pages 6902–6911, 2019. [15] P. Terhorst, J. N. Kolf, N. Damer, F. Kirchbuchner, and A. Kuijper. SER-FIQ: Unsupervised Estimation of Face Image Quality Based on Stochastic Embedding Robu- stness. In CVF/IEEE Conference on Computer Vision and Pattern Recognition (CVPR), pages 5651–5660, 2020. [16] W. Xie, J. Byrne, and A. Zisserman. Inducing predictive uncertainty estimation for face verification. In British Ma- chine Vision Conference (BMVC), 2020. [17] T. Zheng and W. Deng. Cross-pose lfw: A database for studying cross-pose face recognition in unconstrained en- vironments. Technical Report 18-01, Beijing University of Posts and Telecommunications, February 2018. [18] T. Zheng, W. Deng, and J. Hu. Cross-age LFW: A da- tabase for studying cross-age face recognition in uncon- strained environments. CoRR, abs/1708.08197, 2017.