Gallery 和probe数据集

最新推荐文章于 2025-05-15 09:16:16 发布
转载 最新推荐文章于 2025-05-15 09:16:16 发布 · 2k 阅读 · 3

本文介绍了人脸识别算法中的Gallery和Probe概念，并详细解释了它们在FERET评估协议中的应用。同时，文章还探讨了如何利用PCA和NN进行人脸识别，以及如何确定降维的具体维度。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

在人脸识别的算法学习过程中，经常会看到Gallery 和probe两个字眼。 可以粗略的理解，gallery 为训练集，probe为测试集

在FERET 评估协议中，算法设计者需要区分三个不同的集合：训练集，参考图像集（或者

原型图像集，gallery set）、测试图像集合（Probe set），其中gallery 集和probe 集供测试时使用。“训

练必须在测试开始之前完成”暗示训练是离线完成的，算法不能根据Gallery 集来调整系统参数。


如他的CVPR 2012论文，用PCA+NN。人脸识别是一个开集问题，人脸验证verification是一个闭集问题。训练样本可能是甲乙，测试样本可能是丙丁。通过训练样本来学习PCA的投影向量W，降到多少维可以搜索，他的CVPR 2012论文PCA是保存98%能量,LDA是降到c-1维。和Ran He已讨论清楚搜索维数的方法：如果降到10维，取W的前10列分别乘以gallery和Probe，再用最近邻分类；类似降到20维，取W的前20列分别乘以gallery和Probe，再用最近邻分类。gallery相当于新的训练集，在Probe上测试。ACCV 2012 tutorial Structured Sparsity via Half-quadratic Minimization的S1-SR的第八页。在The CAS-PEAL large-scale Chinese face database and baseline evaluations (TSMCA 2008)P155也有Training set、 gallery set、Probe set定义


后面两段来自：http://www.cppblog.com/guijie/archive/2008/09/16/61952.html

最全面的行人重识别数据集汇总
m0_47867638的博客
04-30 1万+
汇总了一些REID的数据集，几乎涵盖了所有的数据集。如果有缺少的欢迎留言补充。我将能下载到的数据集放在了网盘里，链接如下：链接：https://pan.baidu.com/s/1hQ4PKvtAhAvoZiXbcIu93w 提取码：o3iyQMUL iLIDS基于iLIDS MCTS的数据集，是一个在机场繁忙时候通过监控系统中多个摄像头收集到的数据集。几乎每个ID（identity）都有从两个无重叠（区域）的摄像头拍摄的四幅图像。该数据集具有严重遮挡和姿势差异的场景。
GALLERY SET、PROBE SET
血色浪漫的专栏
12-17 2978
Deng Cai的Learning a Spatially Smooth Subspace for Face Recognition 4.1节也有,和朱师弟讨论此处gallery set等同于训练集,Probe set等同于测试集; Graph Embedding and Extensions A General Framework for Dimensionality Reduction的4
CASIA-SURF人脸活体检测数据集：人脸活体检测技术利器
最新发布
gitblog_06703的博客
05-15 659
CASIA-SURF人脸活体检测数据集：人脸活体检测技术利器 【下载地址】CASIA-SURF人脸活体检测数据集 CASIA-SURF人脸活体检测数据集为研究人员和开发者提供了丰富的人脸活体检测样本，助力深入理解和掌握相关技术。该数据集专为学习与模型训练设计，涵盖了多样化的场景和样本，能够有效提升模型的泛化能力与检测精度...
Gallery Set与Probe set
u011557212的专栏
03-09 6848
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...
CV中的gallery和probe究竟是什么？
weixin_44273380的博客
10-07 4070
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
Training set、Gallery set和Probe set
Yuyiin
10-21 385
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...
人脸识别中的Gallery和Probe以及MegaFace的测试方式
Lavi的专栏
03-16 4977
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...
CBSR NIP人脸数据集-开源
08-22
**标题与描述解析** ...在实际应用这些知识点时，开发者和研究人员需要根据具体任务选择合适的方法，并利用提供的数据集进行训练和验证，以优化模型性能。同时，理解并遵循开源数据集的使用规定是至关重要的。
megaface 数据集组成，介绍，Identification/Verification逻辑
larry1648637120的博客
06-13 4742
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,
人脸识别中的Gallery和Probe
yaommy的博客
12-14 4915
参考图像集（或者原型图像集，gallery set） 测试图像集（Probe set=test set）
Gallery set 和 Probe set
qq_36819661的博客
11-28 969
Gallery set 和 Probe set 研一两个月，初读文献经常看见这两个集，给老师报告时直译成“画廊集”和“探针集”还闹了个笑话，网上看了一些博客，众说纷纭，越看越糊涂。后来经过老师指点后终于懂了在这记录一下。 gallery set 翻译成 参考集；probe set 翻译成查询集 第一种情况：训练集够用时 使用训练集训练好模型后，先将参考集丢进去，图像经过模型后一般会由高维变成低维的向量，但原先的分类标签还是不变，这个时候参考集还是和原先一样的集合，只是维度变低了，这样查询时更快。这时候再
Gallery与Probes的定义
Roland2014的博客
12-27 1205
Gallery与Probes在一些基于生物特征的识别文献中，经常看到gallery和probes，大概也知道它们的区别，但一直没有找到相关的定义解释。今天，在看 文献1时，终于看到了这两个词的定义解释。 In biometrics nomenclature, the gallery is the set of people known to an algorithm or system and
体验AI乐趣：基于AI Gallery的二分类猫狗图片分类小数据集自动学习
华为云官方博客
02-20 1206
直接使用AI Gallery里面现有的数据集进行自动学习训练，很简单和方便，节约时间，不用自己去训练了，AI Gallery 里面有很多类似的有趣数据集，也非常好玩，大家一起试试吧。
行人重识别（Person Re-ID）常用评测指标
时间虚掷的孤岛
02-21 4064
目录 1、gallery和probe： 2、single shot 和muti shot： 3、rank-n： 4、Precision（准确率） 和 Recall（召回率）： 5、AP和mAP： 6、F-Score 7、ROC： 8、CMC（很重要）： 规律总结： 1、gallery和probe： gallery是候选行人库，probe是待查询输入，也叫查询图像（query）...
常见的probe set和gallery set究竟是什么
向往有那么一天梦幻的步态识别落地，开花❀！
11-13 1116
如果觉的有帮助的话，麻烦三连喔，谢谢大家！
ReID数据集
L1uminous的博客
05-25 1474
ReID数据集
【深度学习笔记1】——行人重识别之必备知识与深度学习入门小经验
heshuting555的博客
04-15 3659
这里写自定义目录标题一. 行人重识别基本概念1.gallery和probe：2.single shot 和multi shot：3.rank-n：4.precision（准确率） 和 recall（召回率）：功能快合理的创建标题，有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如...
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
<think>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特点。监控环境下的人脸通常分辨率低、角度多样、光照变化大，所以数据集的结构可能会针对这些挑战设计。 接下来，用户提到的训练集、人脸识别测试集和人脸验证测试集。通常训练集用于模型训练，而测试集分为不同的任务。人脸识别（Face Identification）通常是1:N的匹配，即从N个候选中找到正确的身份；而人脸验证（Face Verification）是1:1的比对，确认两张图片是否属于同一个人。因此，数据集的结构应该会分开这两个任务的数据。 需要解释每个部分的数据组成。训练集可能包含大量带有身份标签的图像，每个身份有多张不同条件下的图片。测试集的识别部分可能有查询图像和候选库，验证部分可能有正负样本对。评估指标方面，识别常用Rank-1准确率、CMC曲线，验证常用ROC曲线、TAR@FAR等。 还要注意评估流程中的细节，比如是否允许使用外部数据、预处理步骤的限制，以及结果提交的格式。可能有的挑战赛会提供开发集供调参，而最终测试集是隐藏的，防止过拟合。 另外，用户提供的引用文献是关于联合注册和表示学习的，可能涉及到如何同时优化注册和识别过程，这在监控场景中很重要，因为监控中的人脸可能没有高质量的注册图像。因此，在数据集中可能有模拟真实监控环境的注册图，比如低分辨率或不同角度的照片。 需要确保回答结构清晰，分点说明数据集结构和评估流程，并生成相关问题，比如数据预处理方法、挑战赛的常见问题、指标选择依据等。同时，引用提供的文献作为参考，说明实际挑战赛中可能采用的方法。</think>### 监控人脸识别挑战赛数据集结构与评估流程 #### 数据集结构 1. **训练集** - 包含多角度、多光照、低分辨率的监控场景人脸图像 - 每个身份标注唯一ID，通常包含$N$个身份，每个身份$M$张图像 - 示例结构： ``` /train ├── ID_001 │ ├── frame_001.jpg │ └── frame_002.jpg └── ID_002 ├── cam1_003.jpg └── cam2_004.jpg ``` 2. **人脸识别测试集（1:N Identification）** - 查询集（Probe Set）：待识别的人脸图像 - 候选库（Gallery Set）：注册模板库 - 需计算查询图像与库中所有模板的相似度 3. **人脸验证测试集（1:1 Verification）** - 包含匹配对（正样本）与非匹配对（负样本） - 格式示例：`pair_list.csv` ```csv ID_A/img1.jpg, ID_A/img2.jpg, 1 ID_A/img1.jpg, ID_B/img3.jpg, 0 ``` #### 评估流程 $$ \text{Rank-1 Accuracy} = \frac{\text{正确识别次数}}{\text{总查询次数}} $$ $$ \text{TAR@FAR=0.001} = P(\text{正确接受}| \text{错误接受率}=0.1\%) $$ 1. **人脸识别评估** - 使用CMC曲线（Cumulative Match Characteristic） - 报告Rank-1, Rank-5准确率 - 跨摄像头场景需考虑视角差异[^1] 2. **人脸验证评估** - 绘制ROC曲线（Receiver Operating Characteristic） - 报告TAR@FAR（True Accept Rate at False Accept Rate） - 采用LFW协议时需10折交叉验证 3. **提交要求** - 识别任务：提交相似度矩阵（$N \times M$） - 验证任务：提交相似度分数列表 - 禁止使用外部数据增强 §§ 1. 监控场景下如何处理低分辨率人脸图像的识别难题？ 2. 跨摄像头人脸识别有哪些特殊评估指标？ 3. 如何构建有效的负样本对用于人脸验证训练？ 4. 监控数据集中时序信息如何影响识别性能？ 5. 遮挡处理在监控人脸评估中的具体考量？ : 联合注册与特征学习方法可提升跨视角识别准确率，详见http://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=8099651
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值