challenge.uccs 2.1.1

人脸检测

第一个脚本是人脸检测脚本，它将检测验证（和测试）集中的人脸。基线检测器使用MTCNN v2人脸检测模块，我们必须降低检测阈值才能检测到图像中的大多数人脸——仍然无法使用MTCNN v2检测到大约 20% 的（大部分是困难的）人脸。此外，还有很多背景区域被错误地标记为人脸。

您可以使用以下方法调用面部检测器基线脚本：

./bin/baseline_detector.py

请参阅./bin/baseline_detector.py -h了解可能的选项。以下是您可能想要/需要使用/更改的选项子集：

--data-directory：指定您已将 UCCS 数据集下载到的目录。

--result-file : 将检测结果写入的文件；这将是所需的格式。

--which-set：应该运行基线检测器的集合；可能的值：训练、验证、测试、样本；默认值：验证。

--verbose : 增加脚本的详细程度；建议使用--verbose --verbose或-vv；-vvv将写入更多信息。

--debug：仅在指定数量的图像上运行；仅用于调试目的。

--display：显示检测到的边界框（绿色）和ground truth（红色）；仅用于调试目的。

--parallel : 在给定数量的并行进程中运行；可以极大地加快处理速度。

--gpus ：在 GPU 模式下使用Caffe运行人脸检测（这可能无法正常工作，具体取决于您的Caffe设置）；您可以指定要使用的设备 ID，通常只有0；如果未指定，则在 CPU 模式下运行

在具有 32 个 CPU 内核的机器上，完整基线实验的一个好的命令行应该是：

./bin/baseline_detector.py --data-directory YOUR-DATA-DIRECTORY -vv --parallel 32

在具有 32 个内核和两个 NVidia GPU 的机器上，完整基线实验的一个好的命令行是：

./bin/baseline_detector.py --data-directory YOUR-DATA-DIRECTORY -vv --parallel 8 --gpus 0 1

要进行小规模实验，即在 20 张图像上显示检测到的人脸，一个好的命令行可能是：

./bin/baseline_detector.py --data-directory YOUR-DATA-DIRECTORY -vvv --display --debug 20

默认情况下，人脸检测分数文件将写入./results/UCCS-v2-detection-baseline-validation.txt。

人脸识别

对于人脸识别，我们利用MTCNN v2人脸检测器检测所有人脸（见上文），并确保使用与地面实况标签重叠度最高的边界框。对于训练集中每个检测到的边界框，我们将边界框放大 1.3 倍，并使用VGG v2识别模块的pool5/7x7_s1层提取特征，我们将其归一化为单位欧几里得长度。模板注册阶段只是计算每个已知主题的训练集特征的平均值。考虑到我们在训练和测试集中有未知主题的事实，我们还注册了一个图库模板，其中包括标记为-1的所有已知未知主题。

对于探测图像，我们假设我们没有任何标签（这就是测试集的样子）。因此，我们运行MTCNN v2检测器来检测人脸（将包括几个背景区域）。对于每个边界框，我们如上所述提取VGG v2特征，并计算与所有图库模板（包括未知模板）的余弦相似度。最高的 10 个相似性被存储到分数文件中——除非未知标签 ( -1 ) 在最高分数中，在这种情况下，只存储高达-1标签的分数。这意味着当最高分数带有-1标签时，分数文件中只存储一个值。

您可以使用以下方法调用人脸识别基线脚本：

./bin/baseline_recognizer.py

请参阅./bin/baseline_recognizer.py -h了解可能的选项。以下是您可能想要/需要使用/更改的选项子集：

--data-directory : 指定下载 UCCS 数据集的目录

--result-file : 将识别结果写入的文件；这将是所需的格式

--verbose : 增加脚本的详细程度；建议使用--verbose --verbose或-vv；-vvv将写入更多信息

--temp-dir：指定存放临时文件的目录；这些文件将只计算一次并重新加载（如果存在）

--force：忽略现有的临时文件并始终重新计算所有内容

--debug：仅在指定数量的身份上运行；仅用于调试目的；将修改临时文件和结果文件的文件名

--parallel : 在给定数量的并行进程中运行；可以极大地加快处理速度

在具有 32 个 CPU 内核的机器上，一个好的命令行应该是：

./bin/baseline_recognizer.py --data-directory YOUR-DATA-DIRECTORY -vv --parallel 32

在 GPU 模式下使用带有两个 NVidia GPU 的Caffe时，一个好的命令行应该是：

./bin/baseline_recognizer.py --data-directory YOUR-DATA-DIRECTORY -vv --parallel 2 --gpus 0 1

默认情况下，人脸识别分数文件将写入./results/UCCS-v2-recognition-baseline-validation.txt。

人脸检测评估

由于ground-truth通常比人脸大，我们不会惩罚小于ground truth的边界框。因此，并集（分母）只考虑了地面实况边界框的四分之一——或交集区域，以较大者为准：

其中\(|\cdot|\)是区域运算符。因此，当检测到的边界框\(D\)至少覆盖了真实边界框\(G\)的四分之一并且完全包含在\(G\)内时，就会达到 1 的重叠。

人脸检测使用自由接收算子特征 (FROC) 曲线进行评估，该曲线绘制了正确检测到的人脸占误报总数（检测到的背景区域）的百分比。对于不同的检测器置信度值，可以获得 FROC 曲线上的不同点。可以使用以下方法创建此图：

./bin/evaluate_detector.py

这个脚本有几个选项，其中一些需要指定，见./bin/evaluate_detector.py -h：

--data-directory : 指定下载 UCCS 数据集的目录

--result-files：包含检测（或识别）结果的所有文件的列表

--labels：算法的标签列表；必须与--result-files的编号和顺序相同

--froc-file：包含 FROC 图的输出 .pdf 文件的名称；默认为UCCS-v2-FROC.pdf

--log-x：将以对数刻度绘制水平轴

--only-present：将忽略任何不存在检测的文件（仅用于调试目的，即当检测器使用--debug选项运行时）

--verbose : 增加脚本的详细程度；建议使用--verbose --verbose或-vv

要绘制基线 FROC 曲线（显示在比赛网站上），请执行：

./bin/evaluate_detector.py --data-directory YOUR-DATA-DIRECTORY --result-files results/UCCS-v2-detection-baseline-validation.txt --labels Baseline --log-x -vv

人脸识别评估

开放集人脸识别使用检测和识别率 (DIR) 曲线进行评估，该曲线绘制了正确检测和识别的人脸占错误识别总数的百分比。基于错误识别的各种值，计算几个分数阈值。如果识别分数大于阈值并且正确身份具有该人脸的最高识别分数，则称该人脸被正确识别。计算正确识别的人脸数量，然后除以已知人脸的总数。详情请参阅[ 1 ]。

可以使用以下方法创建 DIR 图：

./bin/evaluate_recognizer.py

像往常一样，该脚本有几个选项，类似于上面的./bin/evaluate_detector.py，完整列表参见./bin/evaluate_recognizer.py -h ：

--data-directory : 指定下载 UCCS 数据集的目录

--result-files : 包含识别结果的所有文件的列表

--labels：算法的标签列表；必须与--result-files的编号和顺序相同

--dir-file：包含 DIR 图的输出 .pdf 文件的名称；默认为UCCS-v2-DIR.pdf

--log-x：将以对数刻度绘制水平轴

--only-present：将忽略任何不存在检测的文件（仅用于调试目的，即当识别器使用--debug选项运行时）

--verbose : 增加脚本的详细程度；建议使用--verbose --verbose或-vv

--rank : 使用给定的等级来绘制 DIR 曲线

要绘制基线 Rank 1 DIR 曲线（显示在比赛网站上），请执行：

./bin/evaluate_recognizer.py --data-directory YOUR-DATA-DIRECTORY --result-files results/UCCS-v2-recognition-baseline-validation.txt --labels Baseline --log-x -vv