百度EasyEdge端计算模型生成平台产品调研一文里提出了一种“端+云”的识别方案，当本地的识别得分远超设置阈值时，可以默认识别通过；其他时候，可以结合云端结果做综合判断是否为同人。

上述方案还不是最好的产品方案，其实还是有改进空间的，我把改进后的方案放到了最后。本文站在阈值设置的角度，提出高精度人脸识别的一种产品策略，优化识别结果和识别体验。当然，商品识别也可同理可得。

识别通过与识别正确

首段的产品设计，基于这样的事实：一般情况下，人脸识别得分越高，识别正确的可能性越高。也即，识别得分越高，是同人对的概率越高。

那可否说，既然人脸识别得分越高，识别正确的可能性越高，那么，人脸识别得分越低，识别正确的可能性越低？显然这是错误的，人脸识别得分越低，只能说明非同人对的可能性高。

识别通过和识别正确有所区别，识别通过的（通过设定阈值，识别得分大于阈值）也有可能识别错误。例如，本来是非同人对，结果得分高于阈值，算法模型却错误地判断为同人对。

识别正确与否，要将识别结果（同人、非同人）与实际进行比较。识别通过与否，是将识别得分与设定的某个阈值进行比较。目前绝大多数应用场景产品设计上都采用单阈值策略。

为什么会有思维惯性，认为识别通过的，就是识别正确呢？因为观念上大家都认为算法很准确，同人对才会通过识别，所以通过的都是对的。而实际上，算法认为通过（得分高于阈值），也有可能是误识别。

算法指标与阈值选择

典型的人脸识别应用场景采用单阈值策略，这里的阈值一般由算法同学提供，根据ROC曲线确定。这就涉及到算法性能的测试和指标的表述。

在一个二分类模型中，对于所得到的连续结果，假设已确定一个阀值，比如说 0.6，大于这个值的实例划归为正类，小于这个值则划到负类中。如果减小阀值，减到0.5，固然能识别出更多的正类，也就是提高了识别出的正例占所有正例 的比类，即TPR,但同时也将更多的负实例当作了正实例，即提高了FPR。为了形象化这一变化，在此引入ROC，ROC曲线可以用于评价一个分类器。[1]

这是一个常见的算法指标：fpr=10e^-5,tpr=90%。它的意思是，万分之一误识率下，正样本通过率为90%。

其中，万分之一误识率，指的是发生1万次比对/识别，有一次错误的概率，这个错误单指负样本通过识别，为误识别。这里要区别于正样本未通过识别，也即漏识的情况，漏识又可称为拒识，是将指定人员误作其它人员。所以误识率=误识/（误识+漏识）。

有了算法1：1识别指标，就可以换算出1：N识别指标，因为1：N本质上相当于N次1：1比对。例如，某场景1：1识别准确率为百万分之一误识率下的正样本通过率为80%，转化为1：N识别准确率为，一万张注册照的人脸底库，100次1：N识别错一次的情况（这里的错误是指，将不在底库的负样本误识别为正样本），正样本的通过率为80%。

误识率降低时，正样本的通过率也会降低；误识率增加时，正样本通过率也会增加。算法的同学在接到业务需求之后，会关心调用情况，需要在误识率和正样本通过率之间寻找一个平衡点，在该点处，尽可能保证误识的概率不能太高，也要尽可能保证正样本的通过概率不能太低。

误识率降低时，正样本的通过率也会降低。那算法工程师是如何选择阈值，尽可能保证误识的概率不能太高，也要尽可能保证正样本的通过概率不能太低？

这个问题请教了何博，何博说，

这个问题问的好，所以选择阈值没办法保证误识的概率不能太高，也要尽可能保证正样本的通过概率不能太低，这已经涉及到了算法性能的改进。阈值只能是根据场景需求，在优先保证误识率需求的情况下选择合理的阈值。毕竟同人没识别出来可以多识别几次，而识别错误则往往会造成比较大的影响，就是误识往往容易造成较大的影响，而漏识可以多识别几次，总会识别过的。

双阈值策略

前面说，一般情况下，人脸识别得分越高，识别正确的可能性越高。也即，识别得分越高，是同人对的概率越高。两个人脸的相似度分数越高，是同人的可能性越大，非同人的可能性越小。

多个识别模型级联，第一级设置一个高阈值，一个低阈值，超过高阈值认为同人，低于低阈值认为非同人，在高低阈值之间的，交给下一个识别模型。这就是分级比对思路。据说目前的指纹识别就采用这样的思路，最多的时候可以分十多级。第一级是一个快速算法，速度快，但是识别精度可能没那么高，设置个高低阈值，然后逐步交给后面复杂度高，但是精度也高的模型去处理。这样可以在很高速度的时候，也得到很高的精度。

本地识别一次，本地识别得分低，就交给云端的做法中，得分低只是非同人的概率比较高，并不意味着识别不正确，所以要设置高低阈值——高阈值表示肯定是同人，低阈值表示肯定非同人，位于中间的才能交给下一级，这样可以快速识别出大量同人非同人，只有拿不准的才交给精度更高，但是更复杂、更慢的模型。采用分级比对，就不要想着一个阈值，一个算法搞定。存在最佳阈值的概念，也即针对某场景，算法推荐的阈值，高低阈值本身就是场景相关。

欧姆定律与算法模型

欧姆定律是错误的定律，真实世界里没有哪个材料的电压和电流是成正比的。电阻根本就不是一个常数，而跟温度有关，而温度又跟电流有关，所有欧姆没有发现欧姆定律，他...发明了欧姆定律。欧姆定律只是一个模型，哲学家认为现代科学理论都是模型，牛顿力学和爱因斯坦场方程不是真理，是理想世界投射出来的影子。
模型都是错的，但有些模型很有用。
科学家关心的是模型能不能更好地反应真实世界，工程师关心的是能不能用这个模型创造出东西来。工程师思维的大道，就是先创造一个好模型，然后想办法实现这个模型。[3]

而产品经理想的是，如何用好这个模型。

现在回到本文开头的那个问题，基于双阈值设定的产品策略就很清楚了，“端+云”的识别方案，本地可以设置两个阈值，识别得分在设置阈值区间外，可以默认识别通过或不通过；在区间内，可以结合云端其它的算法模型结果做判断是否为同人，也可以直接让用户输入唯一性标识，做1：1比对。

特别鸣谢

非常感谢何博一直以来的指导和帮助。

参考文章：

[1].人脸识别评测的标准ROC曲线及其他标准 - lijiao1181491631的博客 - CSDN博客

[2].ROC曲线-阈值评价标准 - Rachel Zhang的专栏 - CSDN博客

[3].《柏拉图和技术呆子》（万维钢·精英日课S2）180-188