假设我训练了两个人的图像，比如 Bob，Thomas。当我运行算法来检测与这两个人完全不同的人的脸时，比如 John，那么 John 被识别为 Bob 或 Thomas。如何避免这种情况？
我正在 GitHub(链接) 上研究使用 Facenet 模型的人脸识别模型。问题是当给定未知图像（不在训练数据集中的图像）进行识别时，它将未知人识别为数据集中的人。我在网上搜索，发现我需要增加阈值。我想我需要提高门槛。但是当我将阈值增加到 0.99,0.99,99 时，它只会拒绝未知图像（不在数据集中的人的图像），有时甚至会拒绝在数据集中的人的图像。
我想通过增加阈值，我们可以确保只有当图像足够接近时，图像才会被归类为训练数据中的人物之一。
如何进行更改以使模型正常工作？有人可以更好地解释 Facenet 模型中的阈值。
问题源于代码的性质。
model = SVC(kernel='linear', probability=True)
model.fit(emb_array, label)
class_names = [cls.name.replace('_', ' ') for cls in img_data]
如您所见，代码使用 SVC（支持向量分类器）对类进行分类。SVC（或 SVM）没有额外的unknown类。
对于threshold变量，它用于人脸检测，也就是在人脸周围绘制一个边界框，以便 FaceNet 对其进行分类。
代码：
frame = frame[:, :, 0:3]
bounding_boxes, _ = detect_face.detect_face(frame, minsize, pnet, rnet, onet, threshold, factor)
nrof_faces = bounding_boxes.shape[0]
如您所见，该threshold变量仅用于检测边界框。
获取类名的代码：
predictions = model.predict_proba(emb_array)
print(predictions)
best_class_indices = np.argmax(predictions, axis=1)
# print(best_class_indices)
best_class_probabilities = predictions[np.arange(len(best_class_indices)), best_class_indices]
print(best_class_probabilities)
cv2.rectangle(frame, (bb[i][0], bb[i][1]), (bb[i][2], bb[i][3]), (0, 255, 0), 2) #boxing face
#plot result idx under box
text_x = bb[i][0]
text_y = bb[i][3] + 20
print('Result Indices: ', best_class_indices[0])
print(HumanNames)
可以看到找不到unknown类。
您可以尝试添加另一个阈值并检查predictions最大值是否低于阈值。我在张量流方面几乎没有经验，所以这只是一个概念证明，不确定它是否会起作用。
best_class_probabilities = predictions[np.arange(len(best_class_indices)), best_class_indices] #original code
if(best_class_probabilities < threshold_2):
best_class_indices = -1
HumanNames = "unknown"
顺便说一句，由于三元组损失的性质，您不必向 SVC/SVM 添加额外的类，因为嵌入模型是锁定的且未经过训练，因此未知类嵌入与已知类将非常不同。但是，您可以尝试任何一种方法。
希望它可以帮助您度过美好的一天！