BriefGPT - AI 论文速递
·
面部识别训练 / 测试数据中的身份重叠：导致准确性测量中的乐观偏差
💡
原文中文，约500字，阅读约需1分钟。
📝
内容提要
研究发现人脸识别中训练和测试集的重叠会导致对准确性的乐观估计，需要更多身份不重叠的训练和测试方法。
🎯
关键要点
- 训练和测试集之间的重叠会导致对人脸识别准确性的乐观估计。
- 人脸识别中通常使用来自测试集的平均10折分类准确性进行评估。
- 实验揭示了LFW测试集与MS1MV2训练集之间的身份和图像重叠程度。
- MS1MV2中存在身份标签噪声。
- 通过比较与LFW不重叠和重叠的MS1MV2子集的准确性，揭示了乐观偏差的大小。
- 更具挑战性的测试集显示出更大的乐观偏差。
- 研究强调了人脸识别中缺乏身份不重叠的训练和测试方法的问题和需求。
➡️
