人脸识别性能评价指标

人脸识别常用的性能评价指标

一、什么是F1-score
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。

$F_{1}=2\cdot \frac{precision\cdot recall}{precision+recall}$

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：

$F_{\beta }=\left (1+\beta ^{2} \right )\cdot \frac{precision\cdot recall}{\left (\beta ^{2}\cdot precision \right )+recall}$

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。

$G=\sqrt{precision\cdot recall}$

参考链接：

1、https://blog.csdn.net/blueblood7/article/details/41823593

2、https://blog.csdn.net/lijiao1181491631/article/details/54407830?utm_source=blogxgwz0

3、https://blog.csdn.net/u014696921/article/details/74435229

1、混淆矩阵
预测   预测
正   负
实际   正   TP   FN
实际   负   FP   TN
TP：true positive，实际为正的，预测成正的个数
FN：false negative，实际为正的，预测成负的个数
FP：false positive，实际为负的，预测成正的个数
TN：true negative，实际为负的，预测成负的个数
2、TPR/FPR/TNR/FNR
即上面提到的TP/FN/FP/TN的比率

TPR：true positive rate，真正率，敏感性sensitivity，实际为正的，预测成正的比率
TPR=TPTP+FN TPR= \frac{TP}{TP+FN}
TPR=
TP+FN
TP

FNR：false negative rate，假负率，实际为正的，预测成负的比率
FNR=FNTP+FN FNR= \frac{FN}{TP+FN}
FNR=
TP+FN
FN

FPR：false positive rate，假正率，实际为负的，预测成正的比率
FPR=FPFP+TN FPR= \frac{FP}{FP+TN}
FPR=
FP+TN
FP

TNR：true negative rate，真负率，特异性specificity，实际为负的，预测成负的比率数
TNR=TNFP+TN TNR= \frac{TN}{FP+TN}
TNR=
FP+TN
TN

3、ROC/AUC
ROC曲线：受试者工作特征曲线：receiver operating characteritic curve，又称为感受性曲线（sensitivity curve），表示敏感性和特异性之间的相互关系。

横坐标为FPR，纵坐标为TPR，如下图所示，ROC曲线上的每一个点对应一个threshold，

其中，有三种极限状态：

TPR=0，FPR=0，这时threshold最大，将每个实例都预测为负类；
TPR=1，FPR=1，这时threshold最小，将每个实例都预测为正类；
TRP=1，FPR=0，理想模型，所有实例都预测准确。
一个好的分类模型，其曲线应该尽可能靠近上图的左上角。如果是随机猜测模型，则位于图中的主对角线上。

AUC：ROC曲线下方的面积，area under the ROC curve。另一种评价模型性能的方式，如果模型是完美的，则AUC=1，如果模型是随机猜测模型，则AUC=0.5，模型性能越好，则面积越大。

4、FAR/FRR/EER
人脸识别一般分为Indentification和Verification（人脸验证），当进行人脸验证时，一般考虑以下两个指标：

误识率(False Accept Rate,，FAR)：将其他人误作指定人员的概率
拒识率(False Reject Rate，FRR)：将指定人员误作其它人员的概率。
等错误率 (EER-Equal Error Rate) ：取一组0到1之间的等差数列，分别作为识别模型的判别界限，既坐标x轴，画出FFR和FAR的坐标图，交点就是EER值。
FAR=NontargetIsTarget(TargetIsTarget+NontargetIsTarget) FAR = \frac{NontargetIsTarget } {( TargetIsTarget + NontargetIsTarget ) }
FAR=
(TargetIsTarget+NontargetIsTarget)
NontargetIsTarget

FRR=TargetIsNontarget(TargetIsNontarget+NontargetIsNontarget) FRR = \frac{TargetIsNontarget} {( TargetIsNontarget + NontargetIsNontarget ) }
FRR=
(TargetIsNontarget+NontargetIsNontarget)
TargetIsNontarget

一般，FAR=0.001时，FRR的值作为参考。值越小，性能越好。

计算机在判别时采用的阈值不同，这两个指标也不同。一般情况下，误识率FAR 随阈值的减小（放宽条件）而增大，拒识率FRR
随阈值的减小而减小。因此，可以采用等错误率（Equal Error Rate,
ERR）作为性能指标，即通过调节阈值，使这FAR和FRR两个指标相等时的FAR 或 FRR。

另一种关于FAR、FRR的解释如下：

5、FMR、FNMR
FMR：False match rate
FNMR：False non-match rate

FAR=FMR∗(1–FTA) FAR = FMR * (1 – FTA)
FAR=FMR∗(1–FTA)

FRR=FTA+FNMR∗(1–FTA) FRR = FTA + FNMR * (1 – FTA)
FRR=FTA+FNMR∗(1–FTA)

错误采集率 failure-to-acquire rate FTA: 在辨识或验证的尝试中，采集不到样本或样本质量无法达到要求的比例。

6、GFAR、GFRR
GFAR ：广义误接受率，Generalized false accept rate

GFRR ：广义误拒绝率，Generalized false reject rate

广义上的错误拒绝发生在：

测试对象没有注册
不能提取提交的样本
存在错误匹配
广义上的错误接受和错误拒绝率将由下述公式给出：

GFAR=FMR∗(1–FTA)∗(1–FTE)2 GFAR = FMR * (1 – FTA) * (1 – FTE)^2
GFAR=FMR∗(1–FTA)∗(1–FTE)
2

GFRR=FTE+(1–FTE)∗FTA+(1–FTE)∗(1–FTA)∗FNMR GFRR = FTE + (1 – FTE) * FTA + (1 – FTE) * (1 – FTA) * FNMR
GFRR=FTE+(1–FTE)∗FTA+(1–FTE)∗(1–FTA)∗FNMR

FTE：注册失败率 failure-to-enroll rate

人脸识别性能评价指标相关推荐

人脸识别算法评价指标——TAR，FAR，FRR，ERR
前言最近在阅读人脸识别的论文,发现里面用到的指标是TAR(True Accept Rate)和FAR(False Accept Rate),开始没有在意以为相当于TPR(True Positive ...
CVPR 2020 | 旷视研究院提出数据不确定性算法 DUL，优化人脸识别性能
IEEE国际计算机视觉与模式识别会议 CVPR 2020 (IEEE Conference on Computer Vision and Pattern Recognition) 大会官方论文结果公布 ...
cvpr2020 人脸检测与识别_CVPR 2020 | 旷视研究院提出数据不确定性算法 DUL，优化人脸识别性能...
本文是旷视CVPR2020论文系列解读第7篇,提出了 Data Uncertainty Learning(DUL)算法,把数据不确定性估计理论应用于人脸识别领域.DUL 算法的两种训练模式可与人脸识别 ...
分类评价指标：TP、TN、FP、FN、Recall，以及人脸识别评价指标TAR、FAR、FRR
文章目录: 1 关于gallery和probe的介绍 2 二分类常用评价指标 2.1 二分类常用的评价指标 2.2 混淆矩阵 2.3 评价指标 3 人脸识别基本概念 3.1 人脸验证(Face Ver ...
人脸识别简史与近期进展
人脸识别简史与近期进展 2016-03-29 刘昕深度学习大讲堂自动人脸识别的经典流程分为三个步骤:人脸检测.面部特征点定位(又称FaceAlignment人脸对齐).特征提取与分类器设计.一般而 ...
teleport 组件的作用_人脸识别综述! 覆盖人脸检测，预处理和特征表示三大核心组件！...
The Elements of End-to-end Deep Face Recognition: A Survey of Recent Advances 人脸识别是计算机视觉社区中最基础和历史悠久的 ...
浅谈FRVT人脸识别测评
https://www.toutiao.com/a6694432391659782669/ 人脸识别的测试集很多,大致发展脉络是从受控环境向无约束环境发展.早期的AR,YaleB等都是标准的正面人脸照 ...
人脸识别光照预处理
转载:http://shijuanfeng.blogbus.com/logs/204416961.html ---------------------------------------------- ...
如何规划一款AI硬件产品（以人脸识别考勤门锁为例）_团员分享_@ocean
前言:本文作者团员@ocean,分享了很多来自实战的内容,特别是人脸识别考勤门禁一体机的需求分析,以及人脸识别算法指标(准确率.召回率.误识率.拒识率.ROC曲线和识别速度),大家能直接借鉴到自己的工 ...

人脸识别性能评价指标

人脸识别性能评价指标相关推荐

最新文章

热门文章

人脸识别 性能评价指标

人脸识别 性能评价指标相关推荐

最新文章

热门文章

人脸识别性能评价指标

人脸识别性能评价指标相关推荐