面脸验证的最佳测试集
计算机视觉与模式识别
2026-03-10 v3
摘要
报告的面脸验证准确率在当前众所周知的测试集上已达到平台期。因此，一些困难测试集通过降低图像质量或添加人工噪声来构建。然而，我们认为，在不人工降低图像质量的情况下，测试集也可以具有挑战性，因为面脸识别（FR）模型在正确识别以下情况时会受到限制：1）来自相同身份（即真实配对）且面部属性差异很大的配对；2）来自不同身份（即误认配对）且面部属性差异很小的配对；3）来自相似外观身份（如双胞胎和亲属）的配对。我们提出了三个具有挑战性的测试集，以揭示现有FR算法中被忽略的重要弱点。为了挑战面部属性变化， 我们提出了Hadrian和Eclipse测试集，以解决 facial hair（ facial hair）差异和面部曝光差异问题。两个测试集中的图像都具有高质量且在受控环境下收集。为了挑战相似外观人物的 FR 模型，我们提出了 ND-Twins 测试集，其中包含来自专门双胞胎数据集的图像。采用 LFW 测试协议来构建所提出的测试集。此外，我们引入了额外规则来构建“金丝雀”（Goldilocks）级别的测试集，包括：1）困难样本出现次数的限制；2）跨人口统计学群体的均等评估机会；3）验证折叠中的身份重叠受限。定量而言，在不进一步处理图像的情况下，所提出的测试集在难度上与添加人工噪声图像的现有测试集相当或更高。数据集可在 https://github.com/HaiyuWu/SOTA-Face-Recognition-Train-and-Test 上获取。
引用
@article{arxiv.2405.15965,
title = {Goldilocks Test Sets for Face Verification},
author = {Haiyu Wu and Sicong Tian and Aman Bhatta and Jacob Gutierrez and Grace Bezold and Genesis Argueta and Karl Ricanek and Michael C. King and Kevin W. Bowyer},
journal= {arXiv preprint arXiv:2405.15965},
year = {2026}
}
备注
Accepted at CVPR 2025