?? ? ?? 作為一個計算機視覺新入門的小白，第一次嘗試寫博客，試著記錄一下學習狀況，也為了自己以后方便查閱。

??????? LFW（labeled face in the wild），是人臉識別比較常用的數據集，包含了13,233張圖片，5749人，其中1680有2張或以上的圖片，剩下的4069人只有一張圖片，圖片的獲取，是利用Viola-Jones face detector結合OpenCV從網絡獲取，并作了初步的處理，手動添加了人名，統一格式為250*250 jpg。附上官網：http://vis-www.cs.umass.edu/lfw/

?? ? ?? 其構建目的是為了在不受限環境下的測試人臉識別算法提供方便，在Detection-Alignment-Recognition(DAR) pipline中，完成了Detection部分的工作。官方數據集提供了兩種views，view 1：為了試驗者用作model selection and algorithm development，分為了兩個子集，一個用來訓練，一個用來測試。view 2：for performance reporting，官方建議僅在最終reporting的時候使用，以防止算法過度擬合，人為增高準確率（這里不知道理解的準確不準確，如有錯誤，望指正）。在view 2 下，分為了10個子集，可以任選其中9個來用作訓練，剩下的一個用來測試。每次試驗，應該獨立完成，產生10個對應的不同分類器。最終報告可以以ROC(Receiver Operating Characteristic)曲線和PR(Presicion-Recall)曲線呈現，官方要求至少要給出 準確率期望（estimated mean accuracy）和平均標準差（standard error of the mean），對應公式如下：

期望：，

平均標準差：其中，方差為

? ? ? ? 官方給出了兩種訓練方式的原型：

??????? A： Image-Restricted Training

??????? 在這種方式下，不使用名字（name）作為參考， 比如：（10，12）還有（42,50）這兩對都是George_W_Bush，但是并不能直接把（10,42）作為已配對的圖像直接加入訓練集。但如果是（1,2），（2,3）匹配，則可以認為（1,3）也是匹配的。兩種view都支持這種方式。參見pairsDevTrain.txt、pairsDevTest.txt以及 pairs.txt

??????? B： Unrestricted Training 。

??????? 相比第一種方式，如果出現上述情況，則可以直接把（10，42），（10,50），（12,42），（12,50）都加入數據集中。參見peopleDevTrain.txt 、peopleDevTest.txt，但是訓練集和測試集不可以混合使用。在view2數據集中，people.txt支持這種模式，但僅僅是用于生成訓練集。

更多的細節，可以參考官網的tech report，如有出入，已官網為準。

————————————————2016年11月2日更新——————————————

理想情況下，應該有足夠多的數據來保障訓練、校正和測試完全獨立完成，LFW數據集采用一定程度的數據復用，來擴大數據集數量，但為了不虛報或者人為提高準確率，官方有如下用法推薦：大致依照如下步驟進行

（1）算法改進或模型選擇（algorithm development or model selection）

a）使用view1 訓練并測試盡可能多的模型，并做參數調整；

b）保持測試表現最好的模型參數設置（model M*）；

（2）展示報告（performance reporting）

a）直接使用view2數據集；

b）循環i=1到10 （for i = 1 to 10）

?i）通過聯合view2下 除了 i 子集的所有子集，形成試驗 i 的訓練集；

ii）將 model M* 的參數設置用于該訓練集，生成分類器 i ；

? ? ? ? iii）使用子集 i 作為測試集；

iv）在測試集上記錄分類器 i 的結果；

c）用10個分類器的結果計算期望準確率和平均標準差（?參考上面給出的公式）；

d）最后，確定使用的是那種方式并報告（image-restricted or unrestricted）。

總結

以上是生活随笔為你收集整理的LFW阅读笔记的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。