Automatic face recognition with well-calibrated confidence measures
Identifikátory výsledku
Kód výsledku v IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F49777513%3A23520%2F19%3A43954846" target="_blank" >RIV/49777513:23520/19:43954846 - isvavai.cz</a>
Výsledek na webu
<a href="https://link.springer.com/article/10.1007/s10994-018-5756-7" target="_blank" >https://link.springer.com/article/10.1007/s10994-018-5756-7</a>
DOI - Digital Object Identifier
<a href="http://dx.doi.org/10.1007/s10994-018-5756-7" target="_blank" >10.1007/s10994-018-5756-7</a>
Alternativní jazyky
Jazyk výsledku
angličtina
Název v původním jazyce
Automatic face recognition with well-calibrated confidence measures
Popis výsledku v původním jazyce
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.
Název v anglickém jazyce
Automatic face recognition with well-calibrated confidence measures
Popis výsledku anglicky
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.
Klasifikace
Druh
J<sub>imp</sub> - Článek v periodiku v databázi Web of Science
CEP obor
—
OECD FORD obor
10201 - Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)
Návaznosti výsledku
Projekt
<a href="/cs/project/LO1506" target="_blank" >LO1506: Podpora udržitelnosti centra NTIS - Nové technologie pro informační společnost</a><br>
Návaznosti
P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)
Ostatní
Rok uplatnění
2019
Kód důvěrnosti údajů
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Údaje specifické pro druh výsledku
Název periodika
Machine Learning
ISSN
0885-6125
e-ISSN
—
Svazek periodika
108
Číslo periodika v rámci svazku
3
Stát vydavatele periodika
US - Spojené státy americké
Počet stran výsledku
24
Strana od-do
511-534
Kód UT WoS článku
000459945900007
EID výsledku v databázi Scopus
2-s2.0-85052496742