如何计算人脸识别模型的LFW精度

Question

在我的研究中，我观察到许多人脸识别算法提出了它们的模型精度与LFW数据集精度之间的关系。我看到LFW数据集有5749个不同的人的图像，并且没有分割训练和测试。

我已经开发了我自己的DNN模型，用于人脸识别，它类似于facenet架构。有人能帮我回答以下问题吗？

1( 每个人都在谈论LFW上的哪个特定精度参数？我知道准确度参数，如ROC、精密度、召回率和FAR与FRR的关系图。这与这些参数有关吗？

和

2( 计算我的模型LFW精度的程序？【任何开源链接都是可观的】

Answer 1

我看到LFW数据集有5749个不同的人的图像，并且没有训练和测试的分割。

实际上LFW为训练和测试提供了拆分。中的详细信息http://vis-www.cs.umass.edu/lfw/#views.

每个人都在谈论LFW上的哪个特定精度参数？我知道准确度参数，如ROC、精密度、召回率和FAR与FRR的关系图。这与这些参数有关吗？

LFW采用ROC曲线(图(、平均分类精度u和平均S_E的标准误差(表(。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：

1. FPR, TPR和TP, FN, TP, TN的定义：https://en.wikipedia.org/wiki/Confusion_matrix

2. Facenet github repo中有一个wiki页面，您可以在其中阅读源代码，了解如何绘制ROC曲线并计算u和S_E：https://github.com/davidsandberg/facenet/wiki/Validate-on-LFW

获取ROC曲线和u和S_E的程序：

1. 我们需要LFW测试部分的pairs.txt，它分别包含10组300个匹配和300个不匹配对。所以总共有6000对，其中一半是匹配的，另一半是不匹配的。

2. 设置阈值的范围从0到1，例如间隙0.001，这将产生1000个阈值。

3. 计算所有对上的距离d。对于阈值t，如果d<=t，对被预测为匹配。否则，配对被预测为不匹配。

4. 对于每个阈值t:

   1. 对于每个匹配的对，

      1. 如果预测为匹配，则TP+=1；

      2. 如果预测为不匹配，则FN+=1。

   2. 对于每个不匹配的配对，

      1. 如果预测为匹配，则FP+=1；

      2. 如果预测为不匹配，则TN+=1。

   3. 计算TPR, FPR, Acc:

      1. TPR = TP / (TP + FN)；

      2. FPR = FP / (FP + TN)；

      3. CCD_ 22。

5. 我们得到一个1000长度的列表，如[(TPR_t1, FPR_t1, Acc_t1), (TPR_t2, FPR_t2, Acc_t2), ...]。ROC曲线可以通过绘制FPRs与TPRs来产生。u是Accs的平均值，而S_E是Accs的标准差。

Answer 2

LFW在scikit learn中已经分为train、test和10_folds。

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

成对存储2个图像项目。您可以在自定义模型中测试这些对，并将预测与目标值进行比较。