ChenJM
(Face-Verification) - LFW

  01 Oct 2016

地址：http://vis-www.cs.umass.edu/lfw/

简介

   无约束自然场景人脸识别数据集，内含超过13,233张收集自互联网的人脸照片，共5,749人，其中1680人含有两张或以上的人脸图片，每张人脸图像都有其唯一的姓名和序号标签加以区分。

   LFW图片中含有4个不同的子集，包括原始图片集和三个采用不同对齐方式的对齐图片集。通测试时用的都是自己对齐的图片。

训练/测试方式

大概情况如图所示：

而LFW人数少，大多都只用来做测试。如图中view2，在pairs.txt中有随机生成的6000对，其中3000对是同属一个人，另外3000对不同的人。

具体的pairs.txt如下,第一行的10表示10个子集（每个子集600对），300表示300匹配图片（同一身份的对），即总共有10个子集，每个子集中的前300对是同一身份的。而第二行的Abel_Pacheco 1 4 表示这个文件夹的Abel_Pacheco_0001.jpg 和Abel_Pacheco_0004.jpg。

LFW结果分类

  1. Unsupervised：无监督；

  2. Image-Restricted, No Outside Data：图像受限，无外部数据；

  3. Unrestricted, No Outside Data：无限制，无外部数据；

  4. Image-Restricted, Label-Free Outside Data：图像受限，无标签的外部数据；

  5. Unrestricted, Label-Free Outside Data：无限制，无标签的外部数据；

  6. Unrestricted, Labeled Outside Data：无限制，标记的外部数据（我们测试大多属这种情况，利用外部数据训练，然后用LFW进行测试）；

  7. Human Performance：人为判断。

刷榜测试规则

在LFW中已发现有部分标签是错误的，为了避免混淆，已发现的错误标签并未进行更正。而在测试的时候，若无特别声明的情况下，按LFW给出的标签而准。即不另外纠正错误，网络输出结果与给出的标签不一致即为错误，无论原本标签是否有错，因为榜单上以往的结果都是在未纠正标签的情况下测的数据。

准确率：accuracy = ( TP + TN ) / ( P + N )，即准确率 accuracy = ( 正确判断正对的数量 + 正确判断负对的数量) / 所有测试数量 = 所有正确的判定数量 / 应该要正确判定的数量（即全部）。

  • ROC横坐标为FPR ( false positive rate ) = FP / ( FP + TN ) = 实际为负却预测为正 / 实际负对的数量 = 误识率，假正率，即实际是假的但判为真，那么应以假的数量为分母，当所有假的都判为真，则为1。

  • ROC纵坐标为TPR ( true positive rate ) = TP / ( TP + FN ) = 实际为正也预测为正 / 实际正对的数量 = 真正率，即实际是真也判为真，那么应以真的数量为分母，当所有真都判为真时，则为1。

  • 误识率（FAR，False Accept Rate）：FP / ( FP + TN ) = 实际为负却预测为正的 / 实际负对的数量 = 错误接收率，即误识别率。

  • 拒识率（FRR，False Reject Rate）：FN / ( TP + FN ) = 实际为正却预测为负的 / 实际正对的数量 = 拒绝接收率，即实际应该接收的但未接受，应以所有实际应该接受的数量为分母，当所有应该接受的都为接受时，则为1。

    链接：https://stackoverflow.com/questions/30503766/how-can-i-calculate-the-failed-acceptance-rate-and-false-recognition-rate 、https://blog.csdn.net/colourful_sky/article/details/72830640

近期榜单数据

第6项（无限制，标记的外部数据）的近期榜单情况如下图。可看到，准确率已基本达到极限，所以目前LFW已无太大的刷榜意义。