使用阈值进行面部识别的理解困难

Posted 2023-03-16

【中文标题】使用阈值进行面部识别的理解困难

【英文标题】：Difficulty understanding using Threshold for Facial Recognition

【发布时间】：2015-06-25 02:13:58

【问题描述】：

这是一个基于理解的问题，用于使用阈值方法进行面部识别。我通俗地理解我们如何使用以下步骤识别具有阈值的人脸：

使用前 k 个特征面形成特征空间 本征空间上的项目训练面孔 在特征空间上投影测试面 计算特征空间中测试人脸和训练人脸之间的距离 选择最接近测试人脸的训练人脸 检查距离是否超过识别阈值

直到第 6 步为止，我都了解整个过程。我收集到阈值是保留的数据的百分比，但是我不明白为什么我们要更改此值。 IE。为什么我们要把它变小/变大，我们怎么知道我们应该把这个值设为什么？ 任何解释将不胜感激。

【参考方案1】：

您真的认为使用“特征空间”一词的描述会被典型的外行理解吗？此外，这并不是真正的软件问题，因此在技术上是题外话。

您所询问的概念由“检测理论”描述。

检测理论的基础涉及进行测量的传感器系统。这些测量是对环境的一些干扰。在理想的世界中，除非实际存在感兴趣的东西，否则测量值将是一些常数。然而现实世界并不是这样的。在现实世界中，即使不存在任何感兴趣的东西，也会测量到干扰（称为噪声或背景），并且这些测量值会有一定的分布。如果有东西存在，它引起的干扰会叠加在背景上，测量值是两者的总和（通常无法区分它们）。

因此，当我们的传感器进行测量时，需要一些决策标准来确定是否确实存在感兴趣的东西。通常，测量值以数值表示（直接或处理后）。调用检测（或进行面部识别时的匹配）的常见标准是计算一些数值度量，并在测量值超过某个其他选择值（阈值）时调用检测。

每个阈值都与四个条件概率相关联：检测概率或真阳性（当有匹配的东西时调用匹配）、误报概率（当没有匹配的东西时调用匹配）、概率假阴性（当某物存在时不称某物存在）和真否定（当某物不存在时不称某物存在）。

概率取决于背景分布和感兴趣的实际干扰的分布。在理想的世界中，我们总是会做出正确的判断，即检测概率为 100%，真阴性概率为 100%，误报或误报概率为零。现实世界不是那样的，所以我们想要的概率不会是 100%，我们不想要的概率也不是零。

更改阈值，所有概率都会更改（以分布确定的方式）。通常阈值是根据相关的检测概率和误报概率来指定的（使用这两个信息位，以及一些指定分布的模型，可以推导出其他概率）。例如，可以选择一个阈值以提供 90% 的检测概率（即，如果确实存在干扰，我们有 90% 的机会正确调用它），误报率为 10^-6（如果我们调用检测，百万分之一的机会实际上并不感兴趣）。另一方面，如果我们愿意在相同的误报率下接受所有检测的一半缺失，我们会使用较低的阈值。

检测概率和误报率的选择很重要，但它是一种平衡行为。使检测的概率过低，我们错过了太多的事件（例如，每天都有 X% 的坏人没有被识别）。使误报率过高，我们会得到太多误报（例如，每秒一次误报与每天一次误报）——这是昂贵的，因为每个误报都必须通过其他方式进行调查。