Deep Face Recognition: A Survey v8

這篇文章介紹一下人臉識別方向的綜述。

人臉系統流程：

Training Protocols（訓練協議）

Identification： 給出一張人臉照片作爲輸入，假設數據集中有這個人的人臉圖片，算法應該匹配同一人的兩張照片。
Verification： 給出兩張照片，然後看看這兩張照片是不是一個人的。
兩個度量方法都是要求特徵向量做匹配

人臉識別模型是可以分爲兩個兩種：
1：（Subject-dependent）： 測試集的類別（id）和訓練集的類別一致（id），這樣的話可以當是簡單的分類任務來做。
2：（Subject-independent）： 測試集是脫離了訓練集的， 也就是對應的類別和訓練集的類別完全不一樣，這是更加符合現實生活的，在公共數據集上訓練，然後再自己做個人臉數據庫，用這個做測試集，達到應用的程度。
兩者區別其實就在於是直接使用softmax做分類找出類別，還是把訓練模型當特徵提取器最後做特徵比較。
一個問題：openset closeset和subject-dependent subject-independent的區別是什麼

人臉驗證算法評估： 首先要熟悉一下兩個個評估指標，網上不是那麼好找，這個連接還不錯，這裏說一下人臉驗證的兩個概率，FAR，TAR；
TAR（True Accept Rate ）：
$公式：TAR = \frac{\sum(i(同人相似度 > T) )}{同人比較次數}$
說明一下，同人相似度：就是兩個人對應的相似度的得分是多少，T對應的是一個閾值，i(條件)相似度大於這個閾值則爲1，否則爲0，描述指標：找很多人的圖片，圖片只會同人的做相似度對比，設定一個閾值，看看概率是多大。

FAR（False Accept Rate）：
從字面的理解是，判定條件：接受了，結果：錯誤了，接受了說明認定比較的兩張圖片是一個人的，錯誤了說明，真實情況是兩張圖片其實並不是一個人的，
$公式：FAR = \frac{\sum(i(非同人圖片相似度 > T) )}{非同人比較次數}$
FAR和TAR的比較：從公式上來分析是：FAR越低越好，TAR越高越好，然而FAR和TAR是正相關的，FAR越大，TAR就會越大，從設定的閾值T來分析，T越大，FAR會越小，同時TAR也會越小。
TAR@FAR = 1e-6（MegaFace測量標準）:看了很多論文一直對這個搞得不清不楚，現在好好捋捋，這裏要求FAR = 1e-6這其實說明要求10⁶個不同人圖片，只能存在一對圖片它兩的相似度會高於一個給定的閾值，也就是說要求算法實現判定兩張不同人給定的特徵向量（embeddding）的距離要很低，也就意味着T有可能處於一個很高的值，越高才能讓FAR越小，一個模型訓練完了，相似度的結果就可以得到了，爲了讓FAR滿足這個結果，就要調整T（閾值）的值，讓FAR達到1e-6這個級別，這時候固定下T，然後就可以測出TAR的值了。
人臉識別評測標準：