人脸识别中的Training set, Gallery set 和 Probe set

原创于 2022-08-17 11:00:30 发布 · 1k 阅读

0 ·

CC 4.0 BY-SA版权

文章标签：

#人工智能

本文详细解读了步态识别中Galleryset（人脸库）与Probeset（待验证库）的概念，涉及它们在训练、验证过程中的作用，以及如何通过距离计算进行人脸匹配。

参考文献：
Gallery set 和 Probe set
步态识别中Probe Set和Gallery Set的理解

之前看人脸识别相关的paper的时候，出现了这些名词，所以记录一下；
如果有不对的地方，还希望批评指正。

Training set：训练模型用的数据集；
Gallery set： ground- truth的人脸库，用来与Probe set中的人脸图比对；
Probe set：待验证的人脸库，与Gallery set的人脸库比对，跟Gallery set的人脸库中哪张人脸的距离（余弦距离、欧氏距离等）近，就是哪张人脸；
注：Training set、Gallery set和Probe set中的图，两两之间互不重复。

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

小何同学0.0

关注关注

1
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

人脸识别中的Gallery和Probe以及MegaFace的测试方式

Lavi的专栏

03-16

5192

前言在进行人脸识别的测评中，经常会看到涉及到Gallery和Probe两部分数据。初入门的小白可能不太明白这两部分数据是用来干什么的，为什么需要这么分。下面面我们就来讲解一下。 人脸识别评测两种方式一般的人脸识别算法的性能有两种评测的方式，一种是人脸比对，另一个种是人脸识别。人脸比对就比较好理解了，就是给出两场图片组成一个图片对，让算法来判断这连个图片是不是一个人。另一种就是人脸识别，人脸识别...

megaface 数据集组成，介绍，Identification/Verification逻辑

larry1648637120的博客

06-13

4895

下载的megaface测试数据集 megaface测试数据集和devkit，下载的文件有： ①MegaFace Dataset（65GB），即Gallery dataset，或Distractors ②FaceScrub full tgz —16.4 GB，即probe（我选的是原始图片，即uncropped） ③Linux Development Kit (.zip) (.tar.gz) —16 MB，python程序，给定特征文件，用来计算测试结果的 MegaFace数据集组成和介绍干扰样本集,

参与评论您还未登录，请先登录后发表或查看评论

Training set、Gallery set和Probe set

Yuyiin

10-21

404

参考：原文链接：https://blog.youkuaiyun.com/will_ye/article/details/89639922 原文链接：https://blog.youkuaiyun.com/u011557212/article/details/60963237 Training set：用来训练模型的数据集，跟test set不相交，即交集为空，也就是没有一模一样的数据 gallery set：有人叫它查...

人脸识别模型的动手实践！

Datawhale

08-14

528

↑↑↑关注后"星标"Datawhale每日干货&每月组队学习，不错过Datawhale干货作者：宋志龙，算法工程师，Datawhale成员人脸识别已经成为生...

对于【Training set】【gallery set 】【probe set】区别-个人总结

Will_Ye的博客

04-28

1403

在看face recognition的文章会经常看到，gallery set 和probe set 看了很多个关于Training set、gallery set、 probe set的理解，自己再总结一下： Training set：就是我们用来训练模型的数据集，跟test set不相交，即交集为空，也就是没有一模一样的数据 gallery set：有人叫它查询集，gallery字面意思是画廊...

Gallery 和probe数据集

良知，自由

10-19

5320

Gallery 和probe数据集

Surveillance Face Recognition Challenge # ======================== Dataset Structure ========================== # "Training_Set": Ordered by face identities, i.e. each directory contains face images from a specific training identity. There are a total of 5,319 directories each is named by the corresponding identity. The image file name is in format of [PersonID]_[CameraID]_[ImageName].jpg. "Face_Identification_Test_Set" -"gallery": containing 60,294 gallery images from 5,319 test identities (IDs). -"mated_probe": containing 60,423 probe images from 5,319 test IDs, with mated gallery true match images in the "gallery" folder. -"unmated_probe": containing 12,1736 distractor probe face images without mated gallery true match images in the "gallery" folder, i.e. the open-set face identification scenario. -"gallery_img_ID_pairs.mat": the gallery image names and the corresponding face IDs -"mated_probe_img_ID_pairs.mat": the mated probe image names and the corresponding face IDs "Face_Verification_Test_Set": -"verification_images": containing 10,051 images, a subset of the whole test set, randomly sampled to build 5,320 positive and 5,320 negative pairs -"positive_pairs_names.mat": 5320_by_2 cell specifying the image pairs of 5,320 positive pairs -"negative_pairs_names.mat": 5320_by_2 cell specifying the image pairs of 5,320 negative pairs # ======================== Evaluation Instruction ========================== # *** Open-Set Face Identification Evaluation ("Face_Identification_Evaluation") *** 1. Extract features of "gallery" images according to the order defined by "gallery_img_ID_pairs.mat", put them in a matrix called "gallery_feature_map" ([image_number]_by_[feature_dimension]), and save the matrix in a mat file named "gallery.mat" 2. Extract features of "mated_pr

03-10

嗯，用户想了解监控人脸识别挑战赛数据集的架构和评估流程，包括训练集、人脸识别测试集和人脸验证测试集。首先，我需要回忆一下常见的人脸识别数据集结构，比如LFW、MegaFace等，但监控场景的数据集可能有不同的...

关于Gaitset训练和识别原理

weixin_43235118的博客

06-10

2843

论文看了很多遍，由于代码还有吃懂，所以对它进行识别的原理还是有所模糊。今天看到一些资料，感觉恍然大悟。关于数据集的训练：该数据集没有官方的划分训练集和验证集，一般的做法是使用三种划分方法：（a）Small-sample training（ST）：训练集24个目标，验证集100个目标；（b）Medium-sample training（MT）：训练集62个目标，验证集62个目标；（c）Large-sample training（LT）：训练集74个目标，验证集50个目标。并且，在测试集中

论文笔记(1)：Face Search at Scale: 80 Million Gallery

ljwherry的博客

10-23

1301

一、问题描述随着社交媒体例如Facebook，Google上越来越多的图像由用户上传，图像数据库的规模日益增大。在这样大规模的图库当中进行检索、识别、比对等任务是非常具有挑战性的。计算复杂度，存储空间，时间成本等都与图库的规模有关。如果把现已提出的有效方法应用在现实生活中的大规模图库当中去应用，其性能会大幅下降。二、介绍本文为解决大规模人脸图像检索，提出了一种有效的级联搜索系统，结合了快速搜...

PCA-人脸识别

KatharinLin的博客

02-27

935

Face Recognition Challenge 人脸识别基本步骤 PCA算法简介 PCA在人脸识别中的应用 PCA算法直接应用的问题 Project 训练阶段测试阶段 k的测试 Face Recognition Given a database of face images of people, and a new test image, answer th...

Gallery Set与Probe set

u011557212的专栏

03-09

6875

0 前言在 Face Recognition 数据集一般会经常看到这三个数据集 Training set 、Gallery set and Probe set。第一次看到的时候也是晕晕的懵懵的，然后自己查阅了一些资料以后也是没有明白啊后来老师给解释了一下是什么意思。在这里就算是给自己Mark一下。 1 解释我自己大体画了一下这个意思在FaceRecognition中一般的...

人脸识别——新的一个境界（无约束）

gzq0723的博客

01-22

1938

好久没有和大家分享学习的推送，最近很多朋友一直在问我人脸识别到底怎么去识别？人脸为啥会分约束和非约束？人脸检测后可以做哪些工作？等等的一些列问题，其实我们之前很多推送都有详细解答这些问题，今天，就顺便把非约束人脸识别和大家好好说一说，希望有兴趣的您可以有所收获，谢谢！现在是一个大数据时代，我们身边无处不是大数据，比如：来源： www.expandedramblings.com, www.emark

浅析人脸识别算法及其应用

SmartCodeTech的博客

03-09

8954

前言随着深度学习和计算机硬件的快速发展，基于深度卷积神经网络的一系列算法都取得了显著的进展，其中人脸识别作为计算机视觉领域中时间最久远、应用最广泛的研究课题之一，近些年也在深度学习的加持下在性能方面获得了大幅提升，并在实际的生活场景中得到了广泛的应用。目前基于深度学习的人脸识别系统一般由三个关键步骤族组成：人脸检测（face detection）、人脸预处理（face preprocess），人脸识别（face recognition）。人脸检测主要用来检测出图像或视频帧中的人脸位置。然后，通过人脸预处

人脸识别中的Gallery和Probe

yaommy的博客

12-14

4934

参考图像集（或者原型图像集，gallery set）测试图像集（Probe set=test set）

人脸识别中的probe face 和gallery

张*#的博客

03-06

1546

人脸识别中用train set训练好一个特征提取器以后，probe face 和gallery用于测试。我们先给训练好的特征提取器输入gallery里的人脸，这样我们就得到gallery中每个人脸对应的特征向量，这就是我们的特征向量库。我们现在要识别一张人脸，这个人脸就叫probe face，输入特征提取器，得到他的特征向量，然后跟特征向量库里的每一个特征向量来比较，就可以判断这个probe ...

Training set gallery set probe set区分

暖冰的博客

03-04

2806

training set：就是用户训练时采用的数据集。 gallery set：就是公认的标准库集。 probe set：就是用户用户测试选择的非标准库，而又非training set 集合中的数据集。也就是算法训练完成之后，不仅可以在标准集上测试，也可以在probe set集上测试。此处与一般的训练集和测试集一样，只不过，测试集多了一个标准库集，此集合就是gallery se

CV中的gallery和probe究竟是什么？

weixin_44273380的博客

10-07

4330

博主最早是做Re-ID(行人重识别)中遇到这个问题的，当时在网上粗略地百度了一下gallery和probe，很多人说可以翻译为训练集和测试集，深入学习后发现完全是两个东西。为了防止继往开来者继续被误导，就写了这篇博客帮大家细致区分一下。首先大家得了解一个事实，那就是无论是gallery还是probe都是仅在测试集出现的概念（更说明训练集和测试集的翻译是错的），因为人脸识别的任务本身就是给你一张人脸图片，让你从一个巨大的数据库中寻找匹配的照片以判断这张新的照片是谁。这个数据库就是gallery。 galle

人脸识别与活体检测研究-历程

mogebuyi的博客

08-27

3328

本学期开始研究活体检测，首先需要知道点相关知识，下面是从网上找到和自己的总结：人脸识别技术主要分为两部分：第一步为前端人脸活体检测，支持android、ios平台，在前端通过微笑、眨眼、张嘴、摇头、点头等组合动作，确保操作的为真实活体人脸。第二步为后台人脸比对识别，该环节通过在活体检测环节取得整张人脸图像后，再通过扫描识别身份证，取到身份证头像后，将现场人脸与身份证上的人脸

drm_client_modeset_probe函数分析

最新发布

05-22

### drm_client_modeset_probe 函数的作用与实现分析 #### 1. 函数概述 `drm_client_modeset_probe` 是 Linux DRM (Direct Rendering Manager) 框架中的一个重要函数，主要用于客户端模式设置的探测过程。它的主要职责是在初始化阶段检测并配置显示子系统的模式设置信息[^1]。这包括但不限于解析 EDID 数据、枚举支持的分辨率和刷新率，并最终建立有效的 CRTC（Cathode Ray Tube Controller）、Plane 和 Connector 配置链路。 --- #### 2. 函数的主要作用该函数的核心目标是为 DRM 客户端准备必要的显示环境，以便后续能够正常渲染图像。以下是其具体作用分解： - **EDID 解析**：从连接的显示器中读取 EDID 数据，提取有关分辨率、刷新率和支持的颜色格式的信息。 - **Mode List 构建**：基于解析后的 EDID 数据，生成一组可供使用的显示模式列表。 - **Connector 初始化**：将解析好的 Mode List 关联到具体的 `drm_connector` 对象上，确保每个输出设备都有对应的模式集合。 - **CRTC/Encoder 链接**：验证并链接 Encoder 和 CRTC 至相应的 Connectors 上，从而形成完整的显示路径。 - **Fallback 处理**：如果未能成功获取 EDID 或者其他异常情况发生时，启用默认的安全模式作为回退方案。这些操作共同保障了即使面对复杂多样的硬件平台也能维持稳定的初始状态。 --- #### 3. 函数实现细节下面是关于 `drm_client_modeset_probe` 的典型实现逻辑及其关键步骤： ##### （1）调用入口此函数一般由更高层次的服务启动触发，例如在驱动程序探针 (`probe`) 方法期间被间接调用。它可能位于某个特定于 SoC 的 DRM 驱动模块内部或者通用 DRM 核心库之中。 ##### （2）核心处理流程以下是简化版伪代码表示其实现思路： ```c int drm_client_modeset_probe(struct drm_device *dev, struct drm_client_dev *client) { int ret; /* Step 1: Enumerate all connectors */ list_for_each_entry(connector, &dev->mode_config.connector_list, head) { if (!connector->funcs || !connector->status) continue; /* Step 2: Read and parse EDID information */ edid = drm_get_edid(connector, bridge); if (!edid && connector->force != DRM_FORCE_ON) { dev_warn(dev->dev, "No valid EDID found\n"); goto fallback_mode; } /* Step 3: Build mode list based on parsed EDID */ modes = drm_add_edid_modes(dev, edid); /* Step 4: Attach built-in preferred mode or best match */ if (modes && client->preferred_mode) { ret = drm_set_preferred_mode(client, modes); if (ret < 0) goto cleanup; } } fallback_mode: /* Fallback mechanism when no suitable mode detected */ default_mode = drm_create_default_mode(); if (!default_mode) return -EINVAL; cleanup: kfree(edid); return ret ? : 0; } ``` 在此过程中可以看到几个重要环节： - **遍历所有已知 Connectors**：逐一访问当前 DRM 设备实例下的每一个连接器节点。 - **尝试抓取关联 EDID**：对于每个活跃的连接器，试图从中抽取可用的 EDID 描述符。 - **动态扩充 Mode Table**：依据获得的 EDID 结果填充进全局模式表单里头。 - **优先级判定机制**：挑选最贴近用户期望值的那个模式设作首选项。 - **应急措施安排**：倘若常规途径失败，则转而采用内置缺省模板填补空白区域。 --- #### 4. 实际应用场景举例假设我们正在开发一款 Rockchip 平台上运行的新款 Android TV Box 。为了使图形界面能够在开机瞬间迅速呈现出流畅的画面体验，我们需要依赖 `drm_client_modeset_probe` 来提前做好充分准备工作。通过预先扫描外接电视机种的各项属性指标，我们可以精确得知哪些参数范围最为合适，进而指导 GPU 渲染引擎做出相应调整优化性能表现[^3]。另外值得注意的是，在某些特殊场景下（如虚拟 KMS 测试环境中），也可以单独运用此类接口模拟真实世界里的各种可能性状况来进行调试验证工作[^2]。 --- #### 5. 总结综上所述，`drm_client_modeset_probe` 不仅承担着发现潜在显示能力的任务，还肩负起搭建初步框架结构的责任。它是整个 DRM 显示管道得以顺利运作不可或缺的一环。 ---