Выводы. 
Методы анализа и структурированного распознавания лиц в естественных условиях

Рассмотрим результаты оценки на всем тестовом наборе основываясь на данных графиков истинно положительных значений. Из рис. 1, видно, что среди коммерческих систем, FacePP v2 и Picasa удается достичь хороших показателей с высоким уровнем TPR при низких FPPI. Iphoto показывает средние результаты при очень низких FPPI. FacePP v1 и Gallery показывают относительно плохие результаты. Что касается академических алгоритмов, то трудно сказать, какой из них работает лучше. С точки зрения времени отклика, B-DAT обладает достаточно сильным преимущество над другими. Тем не менее, он показывает значительно худшую производительность при меньших FPPI. С точки зрения общей производительности, ACF и SZU показывают лучшие результаты.

Необходимо обратить внимание, что при использовании не больших изображений лица в MALF размером 20×20 довольно сложная задача для многих алгоритмов. При этом коэффициент масштабирования сильно оказывает влияние на производительность [10]. Поэтому произведено выравнивание размеров изображений: «'маленькие» к размеру, 60Х60, а «большие» к размеру 90Х90. Из кривых на графиках видно «рис.1», что на подмножестве «маленьких» изображений падение производительности алгоритмов на основе DPM (DPM и B-DAT) больше по сравнению с теми, что основаны на методе каналов. Рассматривая же подмножество с «большими» изображениями лица, ситуация имеет обратную тенденцию. Учитывая разницу между этими двумя подходами, можно сделать вывод, что при отсутствии влияния функции ухудшающей производительность вызванную низким разрешением, алгоритмы основанные на DPM показывают более высокую производительность.

Таким образом, при использовании детальной оценки, проанализирована эффективность алгоритма в различных аспектах в отношении нескольких атрибутов. Сравнивая производительность с различной степенью точности, можно определить преимущества и недостатки алгоритмов при использовании в различных сценариях работы. Использование MALF может так же служить ориентиром, для оценки качества обнаружения лица, и предоставляет дополнительную глубокую и всестороннюю диагностику и рекомендации по улучшению алгоритмов распознавания образов.

Работа выполнена при финансовой поддержке РФФИ, проекты 16−01−597-а, 17−07−620-a.