遮挡人脸识别标准评估指标

1.准确性：识别和分类问题最广泛使用的评估指标之一。它表示正确预测次数与样本总数的比值，可以定义如下：

Accuracy=(TP+TN)/(TP+TN+FP+FN)

2.排名精度：Rank-1、Rank-5 和 Rank-N 用于衡量计算机视觉中 DNN 的性能。 Rank-1 准确度找到正确分类标签的百分比；Rank-5 准确度主要用于有两个以上类别标签的情况，其目的是检查前 5 个最可能的标签何时具有真实值；Rank-N 精度与 Rank-5 类似，但通常用于较大的数据集 。

3.Precision：正确分类的正预测的比例，可以定义如下：

Precision = TP/(TP+FP)

4.平均精度（mAP）：计算机视觉中使用的一种流行的性能测量指标，专门用于对象检测、分类和定位。它通常可以通过取所有类别的平均精度和总体交集（IoU）阈值来计算。

5.结构相似性指数（SSIM）：用于衡量数字图像和视频的观察质量。此外，它还用于估计两幅图像之间的相似度。图像质量的测量或预测是以初始未压缩或无失真图像为参考，因此SSIM指数被认为是一个完整的参考度量。它可以定义如下：

        其中 µ 表示给定图像的平均值，σ 是图像的标准差； x和y代表正在比较的两个图像； c1和c2是常数，以保证除数变为0时的稳定性。

6.峰值信噪比 (PSNR)：表示信号的最大可实现功率与影响其表示精度的破坏噪声功率之间的比率。由于许多具有非常宽动态范围的信号的可用性，PSNR 通常使用分贝标度显示为对数量。此外，它还广泛应用于量化有损压缩的图像和视频的重建质量。原始图像矩阵和降级图像矩阵的维度必须相同。它可以定义如下：

        其中 MAXf 是原始图像中存在的最大信号值，均方误差 (MSE) 计算如下：

        其中f表示原始图像的矩阵数据，g表示退化图像的矩阵数据，m表示图像的像素行数，i表示每行的索引，n表示图像的像素列数，j表示每列的索引。

7.Fréchet 起始距离 (FID)：用于评估生成模型（例如 GAN）生成的图像质量的指标。与早期的初始分数（IS）相反，它专门用于估计生成图像的分布，FID 将生成图像的分布与用于训练生成器的真实图像的分布相匹配，其中 FID 越低图像质量越高。它可以定义如下：

        其中 r 和 g 是真实嵌入和假嵌入，μr 和 μg 是向量 r 和 g 的大小。 Tr是矩阵的迹，Σr和Σg表示向量的协方差矩阵。

8.错误率（ERR）：ERR 或错误分类率是准确度指标的补充。该指标描述了正类和负类中错误分类的样本数量。它对不平衡数据很敏感，这与准确性指标相同。计算公式如下：

ERR = 1 − Accuracy,

9.等错误率（EER）：一种生物识别安全算法，用于确定其错误接受率（FAR）和错误拒绝率（FRR）的共同值。如果速率相等，则将平均值称为相等错误率。 EER值表明错误接受的比例等于错误拒绝的比例。 EER值越低，生物识别系统的准确性越高。假阳性率（FPR）是准确度的度量，用于定义错误分类的负样本与负样本总数之间的比率。假阴性率（FNR）是用于定义错误分类的阳性样本比例的准确度度量。

FAR = FPR = FP/(FP+TN), 

FRR = FNR = FN/(FN + TP), 

ERR = (FAR + FRR)/2

10.错误发现率（FDR）：假阳性分类（错误发现）数量与阳性分类总数（无效分类）的预测比率。无效拒绝的总数涉及 FP 和 TP 的数量。 FDR 可以简单地计算如下：

FDR = FP/(FP + TP), 

11.几何平均值（G-Mean）：估计多数类别和少数类别的分类性能之间的平衡。较低的 G 均值表明在正面案例的分类中表现不佳，即使负面案例的分类也很完美。该措施对于避免负类过拟合和正类欠拟合是必要的。敏感性用于衡量阳性病例的准确性。另一方面，特异性用于衡量负面案例的准确性[186]。

12.真阳性率（TPR）：真阳性率，或称召回率，表示正确分类的正样本占正样本总数的比例。计算公式如下：

TPR = TP/(FN + TP), 

13.误报率（FAR）：也称为误报率（FPR），它计算被错误分类的负样本占负样本总数的比例。它是特异性测量的补充。真负率（TNR）是用来衡量正确分类的负样本占负样本总数的比例的逆召回率。 FPR 和 TNR 称为验证精度，定义如下：

TNR = TN/(FP+TN), 

FAR = 1 − TNR = FP/(TN + FP).