人脸识别信心下降，同时招募更多人和图像

Question

我有一个人脸识别项目，其中包括招募人员，然后训练模型。完成所有操作后，我将调用识别脚本来识别人脸。

[在注册时，我首先使用caffe model检测面部。然后，我使用开放的面部识别器提取面部嵌入，然后将所有面部嵌入保存在pickle文件中。在培训中，我正在使用rbf内核进行培训。

假设我下面有每个人拥有20张图像的数据集

1. personA
        image1.jpg
        image2.jpg
        ...
        ...
        image20.jpg

2. personB
        image1.jpg
        image2.jpg
        ...
        ...
        image20.jpg

3. personC
        image1.jpg
        image2.jpg
        ...
        ...
        image20.jpg

4. personD
        image1.jpg
        image2.jpg
        ...
        ...
        image20.jpg

如果通过personC的测试图像，则将以personC的置信度获得识别结果为92%。现在，如果我用30-40张图像招募更多的人，那么我看到的是personC的置信度得分已降至64％，我不确定为什么会这样。以下是我如何训练模型的方法：

params = {"C": [0.001, 0.01, 0.1, 1.0, 10.0, 100.0, 1000.0], "gamma": [0.1, 0.2, 0.3, 0.4, 0.5, 0.6, 0.7, 0.8, 0.9, 1]}
model = GridSearchCV(SVC(kernel="rbf", gamma="auto", probability=True), params, cv=3, n_jobs=-1)
model.fit(data["embeddings"], labels)

在上面的代码中，data["embeddings"]是人物的面部嵌入，而标签是名称。

所以我注意到，一旦我开始添加越来越多的人并拥有更多的图像，那么对他们来说拥有较少图像的人的信心就会开始降低。这是真的。？有没有人遇到过这类问题？我该如何解决。

Answer 1

这完全有道理。

如果您的数据集中只有一个人/一张图像，并且您对模型进行了训练，则模型的准确性应接近100％。随着模型添加了更多面孔/人物，面孔所属的人也越来越模糊。

随着数据集的增长，您的模型应该尝试将数据推广到不过度拟合的情况。 PersonC可能看起来与您数据集中的另一个人相似。您的模型可能不是正确的选择，超级参数错误，或者某些配置不正确。那部分，我无法评论。

对于图像较少的人，其信心会降低。那是你所观察的吗？您是否尝试过与数据集中的许多人一起尝试？通过查看您是否有更准确的预测，您应该可以自己回答这个问题。

它也可能有助于绘制其中一些图像，以便您查看分类是否合理。