人臉識別中的rank-n 代表的意思
原創這個暱稱唯一 最後發布於2017-09-02 11:05:13 閱讀數 2247 收藏
展開rank-1
看一些**總是在結果中看到rank-1，等等，但是就不知道什麼意思，今天終於搞明白了，備註一下。
意思rank 1， 就是第一次命中
rank k，就是在第k次以內命中
人臉識別中，就代表，與目標人臉，最相似的k個人臉中，成功命中（找到正確人臉）的概率（和）。
rank曲線，一般又被稱呼為cmc曲線。
擴充套件閱讀：人臉識別中常用的指標：
搜尋結果中最靠前（置信度最高）的n張圖有正確結果的概率。
例如： lable為 m1，在100個樣本中搜尋。
如果識別結果是 m1、m2、m3、m4、m5……，則此時rank-1的正確率為100%；rank-2的正確率也為100%；rank-5的正確率也為100%；
如果識別結果是 m2、m1、m3、m4、m5……，則此時rank-1的正確率為0%；rank-2的正確率為100%；rank-5的正確率也為100%；
如果識別結果是 m2、m3、m4、m5、m1……，則此時rank-1的正確率為0%；rank-2的正確率為0%；rank-5的正確率為100%
當待識別的人臉集合有很多時，則採取取平均值的做法。
一般來說，precision就是檢索出來的條目（比如：文件、網頁等）有多少是準確的，recall就是所有準確的條目有多少被檢索出來了。
precision：準確率 output為1中ground truth也為1的 佔ground truth為1的概率
recall：召回率 output為1中ground truth也為1的 佔output為1的概率
正確率 = 提取出的正確資訊條數 / 提取出的資訊條數
召回率 = 提取出的正確資訊條數 / 樣本中的資訊條數
準確率和召回率都是針對同一類別來說的，並且只有當檢索到當前類別時才進行計算，比如在person re-id中，乙個人的label為m1，在測試集中包含3張此人的影象，檢索出來的影象按照得分從高到低順序為m1、m2、m1、m3、m4、m1….，此時
第一次檢索到m1，提取出的正確資訊條數=1，提取出的資訊條數=1，樣本中的資訊條數=3，正確率=1/1=100%，召回率=1/3=33.33%；
第二次檢索到m1，提取出的正確資訊條數=2，提取出的資訊條數=3，樣本中的資訊條數=3，正確率=2/3=66.66%，召回率=2/3=66.66%；
第三次檢索到m1，提取出的正確資訊條數=3，提取出的資訊條數=6，樣本中的資訊條數=3，正確率=3/6=50%，召回率=3/3=100%；
平均正確率ap=（100%+66.66%+50%）/3=72.22%
而當需要檢索的不止乙個人時，此時正確率則取所有人的平均map。
recall和precision的調和平均數2 * p * r / (p + r)
從上面準確率和召回率之間的關係可以看出，一般情況下，precision高，recall就低，recall高，precision就低。所以在實際中常常需要根據具體情況做出取捨，例如一般的搜尋情況，在保證召回率的條件下，盡量提公升精確率。
很多時候我們需要綜合權衡這2個指標，這就引出了乙個新的指標f-score。這是綜合考慮precision和recall的調和值。
當β=1時，稱為f1-score，這時，精確率和召回率都很重要，權重相同。當有些情況下，我們認為精確率更重要些，那就調整β的值小於1，如果我們認為召回率更重要些，那就調整β的值大於1。
比如在上面的例子中，在第三次檢索到m1時的爭取率為50%，召回率為100%，則f1-score=（2*0.5*1）/（0.5+1）=66.66%，而f0.5-score=（1.25*0.5*1）/（0.25*0.5+1）=55.56%
pr曲線下的面積（pr曲線: 所有樣本的precision和recall繪製在圖里）
例如：query-id = 1，query-cam = 1，gallery共有5張圖，按照下圖方式計算出recall和precision，以recall為橫座標，precision為縱座標，繪製pr曲線，曲線下方面積即為ap，當需要檢索的不止乙個人時，此時取所有人的平均map。。
曲線下方面積計算方法有多種，例如 ap = ap + (recall - old_recall)*((old_precision+precision)/2);
ap衡量的是學出來的模型在單個類別上的好壞，map衡量的是學出的模型在所有類別上的好壞
對於single gallery shot來說，每一次query，對samples排序，找到匹配上id的gallery後，排除掉同乙個camera下同乙個id的sample。
cmc曲線是算一種top-k的擊中概率，主要用來評估閉集中rank的正確率。舉個很簡單的例子，假如在人臉識別中，底庫中有100個人，現在來了1個待識別的人臉（假如label為m1），與底庫中的人臉比對後將底庫中的人臉按照得分從高到低進行排序，我們發現：
如果識別結果是m1、m2、m3、m4、m5……，則此時rank-1的正確率為100%；rank-2的正確率也為100%；rank-5的正確率也為100%；
如果識別結果是m2、m1、m3、m4、m5……，則此時rank-1的正確率為0%；rank-2的正確率為100%；rank-5的正確率也為100%；
如果識別結果是m2、m3、m4、m5、m1……，則此時rank-1的正確率為0%；rank-2的正確率為0%；rank-5的正確率為100%；
同理，當待識別的人臉集合有很多時，則採取取平均值的做法。例如待識別人臉有3個（假如label為m1，m2，m3），同樣對每乙個人臉都有乙個從高到低的得分，
比如人臉1結果為m1、m2、m3、m4、m5……，人臉2結果為m2、m1、m3、m4、m5……，人臉3結果m3、m1、m2、m4、m5……，則此時rank-1的正確率為（1+1+1）/3=100%；rank-2的正確率也為（1+1+1）/3=100%；rank-5的正確率也為（1+1+1）/3=100%；
比如人臉1結果為m4、m2、m3、m5、m6……，人臉2結果為m1、m2、m3、m4、m5……，人臉3結果m3、m1、m2、m4、m5……，則此時rank-1的正確率為（0+0+1）/3=33.33%；rank-2的正確率為（0+1+1）/3=66.66%；rank-5的正確率也為（0+1+1）/3=66.66%；
roc曲線是檢測、分類、識別任務中很常用的一項評價指標。曲線上每個點反映著對同一訊號刺激的感受性。具體到識別任務中就是，roc曲線上的每一點反映的是不同的閾值對應的fp（false positive）和tp（true positive）之間的關係。
曲線上的每一點反映的是不同的閾值對應的fp（false positive）和tp（true positive）之間的關係。通常情況下，roc曲線越靠近（0，1）座標表示效能越好。
tp : true positive **為1，實際也為1；tn：true nagetive **為0，實際也為0
fp：false positive **為1，實際為0的；fn：false nagetive **為0，實際為1的
tpr=tp/(tp+fn)=recall。
fpr=fp/(fp+tn)，fpr即為實際為好人的人中，**為壞人的人佔比。
以fpr為x軸，tpr為y軸畫圖，就得到了roc曲線。
人臉識別 人臉庫
1.mit 影象集 美國，麻省理工學院 包括 16 人，每個人有不同光照 不同尺寸 不同角度的 27 張 2.feret 影象集 美 方 此影象集包含大量的人臉影象，並且每幅圖中均只有乙個人臉。該集中，同乙個人的 有不同表情，光照，姿態和年齡的變化。3.umist 影象集 英國，曼切斯特大學 20 ...
人臉識別之人臉檢測
人臉識別分為人臉檢測 人臉預處理 蒐集和學習人臉以及人臉識別四個部分，此部分將人臉檢測。本文基於opencv進行的。在opencv中常用的人臉檢測器有基於lbp的特徵檢測 基於haar的特徵檢測，兩者的區別 前者比後者快好幾倍且不需要許可協議，但很多haar檢測器需要許可協議。基於haar的臉部檢測...
人臉識別API 人臉比對
api協議說明 路徑 輸入引數 字段型別 描述seq可選 string 會話序號 非必填 imga string 資料 base64編碼 原始建議小於3m,格式限定為jpg bmp png三種格式 imgb string 資料 base64編碼 原始建議小於3m,格式限定為jpg bmp png三種...