《表2 基于不同空间欧氏距离的无监督人脸识别性能结果1)》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于卷积-反卷积网络的正交人脸特征学习算法》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

1)灰底数值为该指标上取得的最优结果

基于已训练的网络，使用人脸验证任务评价学得的身份特征h的性能．随机抽取1 000个正样本对（相同身份但不同表情）和1 000个负样本对（不同身份但相同表情），计算样本对在身份特征空间中的欧氏距离，并选取合适的阈值．若两个人脸的距离大于阈值则判别为不同身份；若小于阈值则判别为相同身份．选取的接收者操作特征曲线上面积（area under the receiver operating characteristic curve，AUC）和等错误率（equal error rate，EER）评价指标与阈值无关，在应用中可选取训练集上距离的中值作为人脸验证的阈值．表2展示了不同数据集在不同空间欧氏距离中采用无监督人脸识别所得AUC和EER值．由表2可见，UOFFL算法在LSFED、RaFD和加噪的数据集上工作良好，在相对干净的LSFED、LSFED-G与RaFD数据集上，取λ1=1，λ2=1时可获得较好的结果，而在有严重噪声的LSFED-GS与LSFED-GSB数据集上，取λ1=1，λ2=10，适当提高相关性最小化损失的作用，提升身份特征与表情特征之间的独立性，可获得较好的身份特征，进而获得更好的人脸验证性能．