我正在尝试创建一个能够在lfw数据集上评估模型的脚本 . 作为一个过程，我正在阅读一对图像（使用LFW注释列表），跟踪并裁剪面部，对齐并通过预先训练的facenet模型（.pb使用tensorflow）并提取特征 . 特征向量大小=（1,128），输入图像为（160,160） .
为了评估验证任务，我使用的是Siamese架构 . 也就是说，我从两个相同的模型（[2 x facenet]传递一对图像（相同或不同的人），这相当于从一个网络传递一批大小为2的图像）并计算欧几里德距离嵌入 . 最后，我正在训练线性SVM分类器，当嵌入距离很小时提取0，否则使用对标签提取1 . 这样我试图学习测试时使用的阈值 .
使用这种架构，我获得了最高60％的分数 . 另一方面，在其他模型（例如vgg-face）上使用相同的架构，其中特征是4096 [fc7：0]（非嵌入），我得到90％ . 我绝对无法复制我在网上看到的分数（99.x％），但使用嵌入分数得分非常低 . 一般来说管道有问题吗？如何评估嵌入以进行验证？
1 回答
没关系，方法是正确的，在线提供的facenet模型训练不足，这就是得分差的原因 . 由于该模型是在另一个数据集上训练而不是文章中描述的原始模型（显然），因此验证得分将低于预期 . 但是，如果将恒定阈值设置为所需值，则可以通过牺牲f1分数来增加真正的正数 .