人脸识别指标

人脸识别指标

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

• 人脸识别常用的性能评价指标
• 人脸识别评测的标准ROC曲线及其他标准
• 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。