Question

在我的研究中，我观察到许多人脸识别算法都提出了LFW数据集精度的模型精度。我看到LFW数据集包含5749个不同的人的图像，并且没有训练和测试的分离。

我已经开发了自己的DNN模型，该模型用于人脸识别，类似于facenet体系结构。有人可以帮助解决以下问题吗？

1）每个人都在谈论LFW的哪个特定精度参数？我知道精度参数，例如ROC，精度，召回率以及FAR与FRR图。与这些参数有关吗？

和

2）计算我的模型的LFW精度的过程？ [任何开源链接都是可观的]

Answer 1

我看到LFW数据集包含5749个不同的人的图像，并且没有培训和测试的分离。

实际上，LFW为火车和测试提供拆分。 http://vis-www.cs.umass.edu/lfw/#views中的详细信息。

每个人都在谈论LFW的哪个特定精度参数？我知道精度参数，例如ROC，精度，召回率以及FAR与FRR图。与这些参数有关吗？

LFW采用ROC曲线（图中），平均分类精度u和平均值S_E（表）的标准误差。 LFW使用的ROC曲线是用FPR（假阳性率）和TPR（真阳性率）绘制的。

计算我的模型的LFW精度的过程？

两个有用的链接：

FPR, TPR和TP, FN, TP, TN的定义：https://en.wikipedia.org/wiki/Confusion_matrix
Facenet github存储库中有一个Wiki页面，您可以在其中阅读源代码以了解如何绘制ROC曲线并计算u和S_E：{{3} }

获取ROC曲线以及u和S_E的过程：

我们需要LFW的测试部分中的pairs.txt，该部分包含10组300对匹配和300对不匹配的对。因此，总共有6,000对，其中一半是匹配的，另一半是不匹配的。
设置阈值范围从0到1，例如，间隔0.001，产生1,000个阈值。
计算所有对上的距离d。对于阈值t，如果d <= t，则预测对匹配。否则，将预测为不匹配。
对于每个阈值t：
1. 对于每个匹配对，
  1. 如果预测为匹配，则TP+=1;
  2. 如果预测为不匹配，请FN+=1。
2. 对于每个不匹配的对，
  1. 如果预测为匹配，则FP+=1;
  2. 如果预测为不匹配，请TN+=1。
3. 计算TPR, FPR, Acc：
  1. TPR = TP / (TP + FN);
  2. FPR = FP / (FP + TN);
  3. Acc = (TP + TN) / (TP + FN + FP + TN)。
我们得到一个长度为1000的列表，如[(TPR_t1, FPR_t1, Acc_t1), (TPR_t2, FPR_t2, Acc_t2), ...]。可以通过针对FPR绘制TPR来生成ROC曲线。 u是Acc s的平均值，而S_E是Acc s的标准偏差。

Answer 2

LFW已在scikit-learn中分为训练，测试和10倍。

from sklearn.datasets import fetch_lfw_pairs
lfw_pairs_test = fetch_lfw_pairs(subset = 'test')
pairs = lfw_pairs_test.pairs
target = fetch_lfw_pairs.target

对存储2个图像项。您可以在自定义模型中测试这些对，然后将预测值与目标值进行比较。

如何计算人脸识别模型的LFW精度？

2 个答案: