26、高效人脸检索与半自动3D物体学习系统解析

高效人脸检索与半自动3D物体学习系统解析

在计算机视觉领域，人脸检索和3D物体识别是两个重要的研究方向。本文将深入探讨高效人脸检索技术以及一种半自动的3D物体学习系统。

高效人脸检索技术

在人脸检索中，提高检索效果和处理效率是关键目标。

迭代搜索提高检索效果

通过迭代增加查询人脸的数量可以显著提高检索效果。实验验证了连续搜索迭代对检索效果的改善。以CELEBS - mini和FERET数据集为例，在80%的精度下，第一次迭代的召回率分别为17%和20%，第二次和第三次迭代进一步将召回率分别提高到53%和66%（CELEBS - mini）、46%和82%（FERET）。不过，若数据集中未检测到所有真正的正例人脸，或者真正正例的数量超过50（因为相关性反馈仅提供50个最相似的人脸），则无论进行多少次迭代，都无法实现100%的召回率。总体而言，用户参与标记真正正例人脸的两次搜索迭代能使召回率大幅提高。

高效查询处理

传统的人脸检索技术通常通过计算查询人脸与数据库中每个人脸的相似度来顺序评估查询，这种方法仅适用于包含有限数量人脸的数据库。例如，在CELEBS数据集中，融合检测方法定位了1,118,316张人脸，MPEG - 7、Luxand和NeuroTech方法提取的特征分别占用约0.8 GB、39.1 GB和34.3 GB的磁盘空间，总计74 GB。顺序评估单个人脸查询时，需要将如此大量的数据从磁盘读取到主内存，并计算查询人脸与每个数据库人脸之间的聚合距离，这在特定服务器配置下需要约25分钟（读取特征23.2分钟，计算聚合距离1.7分钟）。

为了在几秒钟内评估查询且不显著降低检索效果，采用了近似