Time: 08/05 15:00 - 16:00

Meeting Summary

1. 交叉驗證
   1. 針對deblur的效能做交叉驗證，以確認提升的數據也適用於大樣本數
2. Bounding box截圖位置
   1. 當bounding box抓到臉時，固定bounding box抓到臉的位置，並以其中的臉來做deblur
   2. 比較固定臉時（鏡頭動）去模糊化的差別
3. Deblur造成的影像扭曲的detection inference效果 vs. 原始影像detection inference效果
   1. 把deblur造成的扭曲影像與其他正常影像分離，並比較detection inference效果
4. 繪圖問題（boxplots）
   1. Boxplot繪圖概念須更明確，並須與相鄰的線性圖目的一致
   2. Histogram定義須更清楚

Responses to questions brought up in the session

1. 固定兩組frames的總量，並隨機挑選450張frame，再經果反覆測試100,000次後得到以下的結果。

   • 整體分布

     

     百分之77的情況下辨識正確率會提升，整體辨識正確的提升幅度約為百分之1.8%

   • 辨識正確率提升的情況下（77%）

     

     整體辨識正確的提升幅度約為百分之3%

2. 固定bbox位置，並在區間中擴大偵測範圍，因為bbox大小不固定，若去除這項因素會更好。但是缺點是inference時間會變久。

   

• 上圖為連續五個人臉辨識的bounding box的重疊，由於bounding box的大小與位置不固定，我們計算出每個bounding box的位置座標，並以最高、最低、最左邊與最右邊的位置來定義出一個區塊。

  Deblur 1

  

  

  

  原始frame

  

  去模糊化frame

  

  Deblur 2

  

  

  

  原始frame

  

  去模糊化frame

  

  Deblur 3

  • 當照片尺寸不同就無法做deblur（bounding box尺寸會不同），因此必須要以一張照片為主進行尺寸統一化

  

  

  

  

  

  原始frame

  

  去模糊化frame

  

1. 以人工方式挑出明顯的臉部扭曲的frame並inference，以觀察扭曲frame在人臉辨識模型的表現是否依然比原始影像好

original_frame_of_distortion_inference.mp4

distortion_inference.mp4

1. 將原始frame與deblur frame以frame對frame的方式比較每張的模糊程度

   • 原始frames與所有去模糊化後的frames的模糊度比較

     

   • 原始frames與去模糊化後的扭曲frames的模糊度比較