开放集生物识别：超越良好封闭集模型

生物识别主要 addressed 封闭集识别，假设所有探测主体都在画廊中。然而，大多数实际应用涉及开放集生物识别，其中探测主体可能或可能不在画廊中。这在有效区分画廊中的个体同时最小化误检方面提出了distinct挑战。虽然人们常认为强大的生物识别模型在封闭和开放场景中都能表现出色，但现有的损失函数与开放集评估不一致。它们对真实（匹配）和冒充（非匹配）相似度得分进行对称处理，忽视了冒充得分的相对大小。为解决这些问题，我们在训练期间使用小批量模拟开放集评估，并引入新颖的损失函数：（1）针对选择性阈值下的开放集性能优化的识别-检测损失；以及（2）减少每个探测器最大负面得分的相对阈值最小化。在包括人脸识别、行人识别和人体姿态重识别在内的各种生物识别任务中，我们的实验表明，所提出的损失函数有效，显著提升了开放集性能，同时积极影响封闭集性能。我们的代码和模型可在 https://github.com/prevso1088/open-set-biometrics 查阅。