Deep Face Recognition: A Survey v8

这篇文章介绍一下人脸识别方向的综述。

人脸系统流程：

Training Protocols（训练协议）

Identification： 给出一张人脸照片作为输入，假设数据集中有这个人的人脸图片，算法应该匹配同一人的两张照片。
Verification： 给出两张照片，然后看看这两张照片是不是一个人的。
两个度量方法都是要求特征向量做匹配

人脸识别模型是可以分为两个两种：
1：（Subject-dependent）： 测试集的类别（id）和训练集的类别一致（id），这样的话可以当是简单的分类任务来做。
2：（Subject-independent）： 测试集是脱离了训练集的， 也就是对应的类别和训练集的类别完全不一样，这是更加符合现实生活的，在公共数据集上训练，然后再自己做个人脸数据库，用这个做测试集，达到应用的程度。
两者区别其实就在于是直接使用softmax做分类找出类别，还是把训练模型当特征提取器最后做特征比较。
一个问题：openset closeset和subject-dependent subject-independent的区别是什么

人脸验证算法评估： 首先要熟悉一下两个个评估指标，网上不是那么好找，这个连接还不错，这里说一下人脸验证的两个概率，FAR，TAR；
TAR（True Accept Rate ）：
$公式：TAR = \frac{\sum(i(同人相似度 > T) )}{同人比较次数}$
说明一下，同人相似度：就是两个人对应的相似度的得分是多少，T对应的是一个阈值，i(条件)相似度大于这个阈值则为1，否则为0，描述指标：找很多人的图片，图片只会同人的做相似度对比，设定一个阈值，看看概率是多大。

FAR（False Accept Rate）：
从字面的理解是，判定条件：接受了，结果：错误了，接受了说明认定比较的两张图片是一个人的，错误了说明，真实情况是两张图片其实并不是一个人的，
$公式：FAR = \frac{\sum(i(非同人图片相似度 > T) )}{非同人比较次数}$
FAR和TAR的比较：从公式上来分析是：FAR越低越好，TAR越高越好，然而FAR和TAR是正相关的，FAR越大，TAR就会越大，从设定的阈值T来分析，T越大，FAR会越小，同时TAR也会越小。
TAR@FAR = 1e-6（MegaFace测量标准）:看了很多论文一直对这个搞得不清不楚，现在好好捋捋，这里要求FAR = 1e-6这其实说明要求10⁶个不同人图片，只能存在一对图片它两的相似度会高于一个给定的阈值，也就是说要求算法实现判定两张不同人给定的特征向量（embeddding）的距离要很低，也就意味着T有可能处于一个很高的值，越高才能让FAR越小，一个模型训练完了，相似度的结果就可以得到了，为了让FAR满足这个结果，就要调整T（阈值）的值，让FAR达到1e-6这个级别，这时候固定下T，然后就可以测出TAR的值了。
人脸识别评测标准：