Automatic face recognition with well-calibrated confidence measures
| Autor: | Charalambos Eliades, Pavel Král, Harris Papadopoulos, Ladislav Lenc |
|---|---|
| Rok vydání: | 2018 |
| Předmět: |
Predikční regiony
Computer science Credibility Důvěra POEM Konformní predikce Scale-invariant feature transform Confidence 02 engineering and technology Machine learning computer.software_genre Facial recognition system Nekontrolované podmínky Scale invariant feature transform Artificial Intelligence 020204 information systems 0202 electrical engineering electronic engineering information engineering Face recognition Důvěryhodnost Prediction regions Uncontrolled environment business.industry Rozpoznávání obličejů Confidence measures 020201 artificial intelligence & image processing Conformal prediction Artificial intelligence business Classifier (UML) computer Software |
| Zdroj: | Machine Learning. 108:511-534 |
| ISSN: | 1573-0565 0885-6125 |
| Popis: | V oblasti automatického rozpoznávání obličejů (AFR) byla vyvinuta celá řada metod, které dosahují vynikající úspěšnosti v případě kontrolovaných podmínek. Pokud podmínky nejsou kontrolované nebo jsou kontrolované jen v omezené míře, je úspěšnost významně snížena. Poskytnutí informace indikující pravděpodobnost, jestli je výsledek rozpoznání správný, je tedy velmi žádoucí. Tato práce se zabývá použitím konformního prediktoru (CP), který umožní k výstupu AFR metod přidat dobře kalibrované míry důvěry. CP je kombinován s klasifikátory založenými na deskriptorech POEM a SIFT. Dále je použita vážená kombinace obou klasifikátorů. Porovnáváme úspěšnost pěti způsobů výpočtu míry nonkonformity. Many Automatic face recognition (AFR) methods achieve a high recognition accuracy when the environment is well-controlled. In the case of moderately controlled or fully uncontrolled environments however, the performance of most techniques is dramatically reduced. As a result, the provision of some kind of indication of the likelihood of a recognition being correct is a desirable property of AFR techniques. This work investigates the application of the conformal prediction (CP) framework for extending the output of AFR techniques with well-calibrated measures of confidence. In particular we combine CP with one classifier based on POEM descriptors, one classifier based on SIFT descriptors, and a weighted combination of the similarities computed by the two. We examine and compare the performance of five nonconformity measures. |
| Databáze: | OpenAIRE |
| Externí odkaz: |
|
Full text from SpringerLink