人脸识别指标
文章目录
- 人脸识别指标
- 注
- 参考
- TPR/FPR/TNR/FNR
- ROC/AUC
- FMR、FNMR
- F1-score
注
- 指标是人为定义的,因此对于某些指标可能有多重表达方式,这是很正常的现象
- 按照我个人的理解,人脸识别可以归纳为目标检测的任务,但是这道题并没有讲到人脸框的问题,所以可以用分类部分的评价标准来用,因此这道题应该采用这些标准:
- FRR(拒识率),FAR(误识率)以及ROC曲线,关于精度这些足够了
- FPS,或者其他能体现检测速度的标准,因为这道题(虹软科技-聚焦人脸识别的大数据测试系统)说白了是调用SDK,精度是由红软的模型决定,且多次提到并发、计算速度等字眼,这里才是重点
参考
- 道客巴巴:FMR FNMR FNIR FPIR
- 知乎:人脸识别技术有哪些性能指标?
- 周志华 机器学习(基本上所有的书都会提到)
TPR/FPR/TNR/FNR
- 这里的TP、 FP等参见:人脸识别常用的性能评价指标中的混淆矩阵理解
- 也有:错误拒绝率(FAR)/错误接受率(FRR)
- 实际上和上面的定义基本相同(FNR=FRR,FPR=FAR),只不过换了个说法
ROC/AUC
- 在周志华的机器学习一书中,ROC被称为:受试者工作特征,纵轴为真正利率(TPR),横轴为假正利率(FPR),(关于TPR,FPR参见:人脸识别常用的性能评价指标),AUC则是曲线与横轴的面积,实际上还有个l_rank的指标,为曲线与纵轴的面积,详细情况参见:周志华机器学习2.3 性能度量
- 类似ROC的曲线还有P-R曲线等,书中有的
FMR、FNMR
- FMR:False match rate
- FNMR:False non-match rate
F1-score
- 关于precision和recall,参考:
- F1分数(F1-score)是分类问题的一个衡量指标。一些多分类问题的机器学习竞赛,常常将F1-score作为最终测评的方法。它是精确率和召回率的调和平均数,最大为1,最小为0。
- 此外还有F2分数和F0.5分数。F1分数认为召回率和精确率同等重要,F2分数认为召回率的重要程度是精确率的2倍,而F0.5分数认为召回率的重要程度是精确率的一半。计算公式为:
- G分数是另一种统一精确率和的召回率系统性能评估标准,G分数被定义为召回率和精确率的几何平均数。