image-processing - 开放式人脸识别 - 给画廊中不存在的查询人脸打多少分？

Question

场景:

在封闭集人脸识别中，如果我们在一个 Gallery 集中有 10 个人，那么查询图像将来自这 10 个人。因此，每个查询都将分配给 10 个人中的一个。

在开集人脸识别中，查询人脸可能来自图库中10个人之外的人。这些额外的人被称为“干扰者”。一个示例任务可以在 IJB-A 中找到。挑战。

问题:

假设我有一个针对 10 个身份中的每一个进行训练的 SVM(一对一)。我如何在开放集场景中报告准确性？如果查询图像 X 出现，我的模型将始终将其识别为画廊中 10 个人中的一个，尽管如果该人不在画廊中的 10 个人中，则得分较低。因此，当以百分比报告准确度时，每个干扰查询图像都会给我一个 0 准确度，从而降低使用正确身份标记每个查询图像的整体准确度。

这是报告开放集协议(protocol)识别准确性的正确方法吗？或者有没有一种标准的方法来设置分类分数的阈值，并说“查询图像 X 对画廊中的每个身份都有低分，因此我们知道它是一个干扰图像，我们在计算识别时不会考虑这一点准确性”

最后，一个 警告 :这对于生物识别和人脸识别非常特殊。但是，SO 提供了最连贯的答案，并且很可能在 SO 的视觉和图像处理标签中找到活跃的生物识别人员，这就是我在这里问这个的原因。

Answer 1

我来自开放的世界(车牌识别)，所以我很自然地定义了一些东西，比如为积极识别定义一个较低的置信度阈值。

我建议查看您的集合中的人员和干扰项的识别质量/分数/置信度(无论它们在您的领域中称为什么)的直方图(即 SVM_A 的一个直方图带有多个人 A 的图像，一个 SVM_A 的直方图带有您的集合中其他人的几张图像，SVM_A 的一个直方图和干扰物的几张图像)。

预期的结果(如果你的 SVM 表现良好)是基本上只有人 i 的 SVM_i 得分非常高，而你的集合中的其他人和干扰项的 SVM_i 得分非常低。特别是，“集合中的其他人”和“干扰者”的结果应该基本相同(在统计意义上 - 它们都应该被识别为“不是人 i = 非常低的分数”)。

我希望(希望)一个自然的截止位置会出现在最高假阳性(非 A 上的 SVM_A)和最低真阳性(A 上的 SVM_A)分数之间的某个位置。

除了封闭集的人之外，您还可以将干扰项作为附加类别引入，并查看识别矩阵(第一行:A 被识别为 A、B、...、N、作为干扰项，第二行与 B、...最后一行:干扰项被识别为 A、B、... 作为 N、作为干扰项)并从该矩阵计算您的正确分类百分比。

编辑:我现在明白你关心你的平均识别信心(对吗？)。由于您无法对未设置的人进行明确的培训，因此我认为忽略那些干扰因素被正确识别为干扰因素的情况是公平的(所有 SVM 的最高置信度低于阈值)。