Image processing Open set face recognition-对库中不存在的查询人脸给予多少分数？

场景：

在封闭集人脸识别中，如果我们在一个图库集中有10个人，那么查询图像将来自这10个人。因此，每个查询将分配给10个人中的一个

在开放集人脸识别中，查询人脸可能来自库中10人之外的人。这些额外的人被称为“干扰者”。可以在挑战中找到一个示例任务

问题：

假设我为10个身份中的每一个训练了一个SVM（一对所有）。在开放场景中，我如何报告准确性？如果出现查询图像X，我的模型将始终将其识别为我的图库中10个人中的一个，尽管如果该人不在图库中的10个人中，则得分较低。因此，当报告准确度为%时，每个干扰物查询图像的准确度将为0，从而降低了使用正确标识标记每个查询图像的总体准确度

这是报告开放集协议识别准确性的正确方法吗？或者有一种标准的方法来设置分类分数的阈值，并且说“查询图像X对于画廊中的每个身份都具有较低的分数，因此我们知道它是一个分心图像，在计算我们的识别精度时，我们不会考虑这一点”

---

最后，有一点需要注意：这对于生物特征识别和人脸识别来说是非常特殊的。然而，SO提供了最连贯的答案，并且很可能在SO找到活跃在视觉和图像处理标签中的生物识别人员，这就是我在这里问这个问题的原因。

我来自开放集世界（车牌识别），因此，对我来说，定义一个较低的信心阈值来获得积极的认可似乎是很自然的

我建议您查看您所在区域的人和干扰者的识别质量/分数/自信（无论在您的领域中称为什么）的直方图（即，一个用于SVM_A的直方图，其中包含多张人像A，一个用于SVM_A的直方图，其中包含多张人像A，另一个用于SVM_A的直方图，其中包含多张人像A，用于分散注意力）

预期结果（如果您的支持向量机表现良好）是，您对个人i的支持向量机_i得分基本上非常高，而对您的集合中的其他人和干扰者的支持向量机_i得分非常低。特别是，“集合中的其他人”和“干扰者”的结果应该基本相同（从统计学意义上讲，他们都应该被认为是“非个人i=非常低的分数”）

我期望（希望）一个自然的截止位置会出现在最高的假阳性（非a的SVM_a）和最低的真阳性（a的SVM_a）分数之间

你也可以将干扰物作为封闭集合人员之外的一个附加类别，并查看识别矩阵（第一行：A识别为A，A为B，…，A为N，B为干扰物，第二行，…，最后一行：干扰物识别为A，A为B，…，N为干扰物）并根据该矩阵计算正确的分类百分比

---

编辑：我现在了解到您关心的是您的平均识别置信度（对吧？）。由于您无法明确地对非固定人群进行培训，因此我认为忽略这些情况是公平的，因为干扰因素被正确识别为干扰因素（所有支持向量机的最高置信度为亚阈值）.

在阅读了一些作为参考的内容后，自行回答[第4节]：

在开放集场景中，将报告两个性能指标：CMC和DET

累积匹配特征或CMC曲线仅使用匹配图像计算——即，使用来自图库集中存在的受试者列表的探针或测试集中的图像。CMC报告不同等级1、2、….#类的召回值

---

决策误差折衷或DET曲线用于量化系统在拒绝“冒名顶替者”或“干扰者”方面的表现。每个图库标识都有一个SVM。因此，对于每个查询图像都有#标识分数（对于图库中的50个标识，我们将有50个SVM给出50分）。从SVM分数中取最大值将显示输入图像与画廊身份集的接近程度。然后使用这些分数绘制DET曲线，这与ROC曲线非常相似，用于验证。轴为假阳性识别率（FPIR）与假阴性识别率（FNIR）.

Hi@AruniRC，我理解你的问题。但除非你对支持向量机进行不同的训练，否则我看不到任何解决方案。在一些论文中，人脸识别被转化为一个人脸验证问题，在这个问题中，分类器会说明一对图像是否来自同一个人。这对于开放集的情况会更好。