我正在尝试创建一个能够在lfw数据集上评估模型的脚本。作为一个过程，我正在阅读一对图像（使用LFW注释列表），跟踪和裁剪面部，对齐它并通过预先训练的facenet模型（.pb使用tensorflow）并提取特征。特征向量大小=（1,128），输入图像为（160,160）。
为了评估验证任务，我使用的是Siamese架构。也就是说，我从两个相同的模型（[2 x facenet]传递一对图像（相同或不同的人），这相当于从一个网络传递一批大小为2的图像）并计算欧几里德距离嵌入。最后，我正在训练线性SVM分类器，当嵌入距离很小时提取0，否则使用对标签提取1。这样我试图学习测试时使用的阈值。
使用这种架构，我得到的分数最高为60％。另一方面，在其他模型（例如vgg-face）上使用相同的架构，其中特征是4096 [fc7：0]（不是嵌入），我得到90％。我绝对无法复制我在网上看到的分数（99.x％），但使用嵌入分数得分非常低。一般来说管道有问题吗？如何评估嵌入以进行验证？
答案 0 :(得分：0)
没关系，方法是正确的，在线提供的facenet模型训练不足，这就是得分差的原因。由于该模型是在另一个数据集上训练而不是文章中描述的原始模型（显然），因此验证得分将低于预期。但是，如果您将恒定阈值设置为所需的值，则可能会增加真正的积极因素，但会牺牲f1分数。
答案 1 :(得分：0)
您可以使用相似性搜索引擎。使用近似的 kNN 搜索库（例如 Faiss 或 Nmslib）、云就绪的相似性搜索开源工具（例如 Milvus）或生产就绪的托管服务（例如 Pinecone.io）。