如何为人脸识别python创建未知人脸数据集

Question

我有一个pythonface recognition，我使用open-face 模型和SVM 来检测和识别人脸。我识别图像的一般步骤如下：

1. 使用人脸检测模型检测人脸：使用开放人脸模型而不是 HAAR cascase 的原因是 cascade 无法检测侧面
2. 提取人脸嵌入：使用开放人脸模型提取 128 d 人脸嵌入

3. 训练：使用SVM 我正在训练带有适当标签的人脸嵌入，如下所示：

   params = {"C": [0.001, 0.01, 0.1, 1.0, 10.0, 100.0, 1000.0], "gamma": [1e-1, 1e-2, 1e-3, 1e-4, 1e-5]}

   model = GridSearchCV(SVC(kernel="rbf", gamma="auto", probability=True), params, cv=3, n_jobs=-1)

   model.fit(data["embeddings"], labels)

4. 测试：提取测试图像的人脸嵌入，并预测结果如下：

model.predict_proba()

我有unknown 随机人脸数据集和known 人脸数据集。这里的问题是，如果我添加大约 30 个已知人物图像并且如果我有大约 10 个未知人物图像，则可以很好地识别已知人物，但如果有任何未知人物进来，它也会将未知人物识别为具有高实际上应该是未知的信心。

如果我在 unknown 数据集中添加更多随机人，可以说大约 50 张图像，如果我有 30 张已知人物图像。它可以很好地识别已知人图像，但信心低，如果有任何未知人进入，现在将其识别为未知

看起来要获得良好的人脸识别结果，我们需要大约相同数量的known and unknown 人物图像，这实际上是不可能的，因为已知人物图像可以增加到 100 或更多，而不是我们添加的每个已知人物。我在这里很困惑，不知道该怎么办。有没有其他方法可以识别known/unknown 人。请帮忙。谢谢

Answer 1

随着可能的人数（标签数量）的增加，信心降低是正常的，因为有更多的可能性。我试图理解你的意思：你有每个人的标签，然后是未知的附加标签？这不是要走的路，因为未知被视为任何其他嵌入的人。您应该使用截止概率，并且低于该概率的所有内容都被认为是未知的。

请记住，您的预测规模（更多人，更多可能性）和准确性之间存在权衡

Answer 2

我不认为 svm 在这里可以很好地工作。它是原生的二元分类器。它将尝试计算两个 128D 点集（已知和未知类）之间的边界，但这些类在内部没有任何关系。在嵌入空间中，已知的可能与未知的相似，而不是与另一个已知的相似。这将是 SVM 泛化的问题。 SVM 可用于封闭集，但您有未知面孔的开放集。

使用非参数方法更实用，并使用贝叶斯方法，计算嵌入空间中已知数据的距离函数的可能性。就像你之前的问题一样。