百万规模人脸识别的公平竞技场
计算机视觉与模式识别
2017-05-02 v1
摘要
人脸识别常被认为是一个已解决的问题，然而在百万规模测试时，不同算法间的准确率表现出巨大差异。算法差异很大吗？获取优质/大型训练数据是其秘密武器吗？人脸识别应在何处改进？为解决这些问题，我们创建了一个基准MF2，要求所有算法在相同数据上训练，并在百万规模上测试。MF2是一个公开的大规模数据集，包含672K个身份和4.7M张照片，其创建旨在为大规模人脸识别提供公平竞技场。我们将我们的结果与其他两个大规模基准MegaFace Challenge和MS-Celebs-1M的发现进行对比，在后两者中各组被允许在任何私有/公有/大/小数据集上训练。一些关键发现：1）在MF2上训练的算法能够达到最先进水平，并与在海量私有集上训练的算法取得可比结果；2）一些算法在MF2上训练后表现优于其自身此前结果；3）与MegaFace一样，对年龄的不变性准确率较低，表明需要在身份内可能的更大年龄变化或未来测试中调整算法。
引用
@article{arxiv.1705.00393,
title = {Level Playing Field for Million Scale Face Recognition},
author = {Aaron Nech and Ira Kemelmacher-Shlizerman},
journal= {arXiv preprint arXiv:1705.00393},
year = {2017}
}