多人人脸识别

Question

我正在为大量人构建面部识别，当我添加更多数据来训练模型时，我何时检测到越来越多的人。 我目前的管道是：

1. 使用 Yolov4-tiny 检测人脸
2. 使用 KNN 分类器识别人脸（我训练了大约 80 个类，每个类包含大约 5 张图片）

目前，它可以在 CPU 上以大约 10fps 的速度实时运行。我担心的是，通过一些研究，我发现如果增加数据集（维数诅咒），KNN 会出现问题。所以我想知道对于这个问题使用 KNN 是否可以？如果没有，有没有办法解决这个问题或其他方法来解决这个问题？

Answer 1

增加数据集不会导致维度灾难。维数灾难发生在高维空间中，例如在使用大量特征时。增加数据集反而会产生积极的影响。

我确实看到每节课只使用 5 张图片的问题。

此外，如果您对实时性能感兴趣（通常人们在谈论实时时的意思是 30fps+），如果可能的话，我会考虑在 GPU 而不是 CPU 上运行 yolov4-tiny。

Answer 2

我建议你学习近似最近邻算法而不是 k-nn。这些是流行的 a-nn 库：Spotify Annoy、Facebook Faiss 和 NMSLIB。此外，Elasticsearch 封装了 NMSLIB，它提供了高度的可扩展性。这些库大大降低了复杂性。您甚至可以在数百万或数十亿项中以毫秒为单位搜索身份。当然，您必须对数据库图像进行预处理。