人臉識別中的rank-n

人臉識別中的rank-n 代表的意思

原創這個昵稱唯一 最后發布于2017-09-02 11:05:13 閱讀數 2247 ?

展開

Rank-1

看一些論文總是在結果中看到rank-1，等等，但是就不知道什么意思，今天終于搞明白了，備注一下。

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。

擴展閱讀：人臉識別中常用的指標：

1、rank-n

搜索結果中最靠前（置信度最高）的n張圖有正確結果的概率。

例如： lable為 m1，在100個樣本中搜索。

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，則采取取平均值的做法。

2、Precision &?Recall

一般來說，Precision就是檢索出來的條目（比如：文檔、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 占ground truth為1的概率

Recall：召回率 output為1中ground truth也為1的 占output為1的概率

正確率 = 提取出的正確信息條數 / 提取出的信息條數

召回率 = 提取出的正確信息條數 / 樣本中的信息條數

準確率和召回率都是針對同一類別來說的，并且只有當檢索到當前類別時才進行計算，比如在person re-id中，一個人的label為m1，在測試集中包含3張此人的圖像，檢索出來的圖像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，提取出的正確信息條數=1，提取出的信息條數=1，樣本中的信息條數=3，正確率=1/1=100%，召回率=1/3=33.33%；

第二次檢索到m1，提取出的正確信息條數=2，提取出的信息條數=3，樣本中的信息條數=3，正確率=2/3=66.66%，召回率=2/3=66.66%；

第三次檢索到m1，提取出的正確信息條數=3，提取出的信息條數=6，樣本中的信息條數=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一個人時，此時正確率則取所有人的平均mAP。

3、F-score

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系可以看出，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舍，例如一般的搜索情況，在保證召回率的條件下，盡量提升精確率。

很多時候我們需要綜合權衡這2個指標，這就引出了一個新的指標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的值小于1，如果我們認為召回率更重要些，那就調整β的值大于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%

4、mAP

PR曲線下的面積（PR曲線: 所有樣本的precision和recall繪制在圖里）

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為橫坐標，precision為縱坐標，繪制PR曲線，曲線下方面積即為AP，當需要檢索的不止一個人時，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

5、CMC

對于single gallery shot來說，每一次query，對samples排序，找到匹配上id的gallery后，排除掉同一個camera下同一個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后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，則采取取平均值的做法。例如待識別人臉有3個（假如label為m1，m2，m3），同樣對每一個人臉都有一個從高到低的得分，

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%；

6、ROC

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信號刺激的感受性。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）之間的關系。

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）之間的關系。通常情況下，ROC曲線越靠近（0，1）坐標表示性能越好。

TP : True Positive 預測為1，實際也為1；TN：True Nagetive 預測為0，實際也為0

FP：False Positive 預測為1，實際為0的；FN：False Nagetive 預測為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，預測為壞人的人占比。

以FPR為x軸，TPR為y軸畫圖，就得到了ROC曲線。

人臉識別服務 FRS 機器學習

版權聲明：本文內容由網絡用戶投稿，版權歸原作者所有，本站不擁有其著作權，亦不承擔相應法律責任。如果您發現本站中有涉嫌抄襲或描述失實的內容，請聯系我們jiasou666@gmail.com 處理，核實后本網站將在24小時內刪除侵權內容。