概述
验证和识别是不同的任务。相似度结果并非身份的决定性证据，也不能确定一个人的意图、性格或情绪状态。
主要要点
- 区分验证与图库搜索。
- 评估两种错误方向和采集条件。
- 使用适当的隐私和决策程序。
深入探讨
Distinguish one-to-one verification from one-to-many search. Comparing a new image with one enrolled image has different operating conditions from searching a large gallery. The gallery size, threshold, and image quality affect how results should be interpreted. Evaluate false matches and false non-matches separately. Lighting, pose, resolution, age differences between images, and the population represented in the evaluation can change performance. NIST’s evaluations document why the algorithm, task, and dataset all matter. Review the intended use and applicable privacy and biometric requirements before deployment. Collection, retention, consent, access, and the ability to challenge an outcome need explicit treatment. A technically available system is not automatically appropriate for every setting. Use independent corroboration and appropriate human procedures for consequential decisions. A candidate list should remain a lead to assess under a valid process, not a definitive identity declaration. Report the evaluated conditions and uncertainty instead of advertising a single universal accuracy figure.
04工作示例
正确解读比较分数
设想一个系统在两张允许的测试图像之间返回了高相似度。
在解读分数之前，请检查操作阈值、图像质量和评估条件。
将结果视为需要适当验证过程的系统测量值，而不是仅凭分数推断无关特征或断定身份。
它显示了什么
此假设练习强调了范围和不确定性，并未识别任何真实个人。
现实世界的实施
在具有代表性的采集条件下评估授权验证系统。
审查已注册生物识别模板的保留和访问控制。
付诸实践
为什么这很重要
- 速度与规模. 视觉人工智能可以大规模自动化检查、检测和标记任务。
- 构建选择. 创意团队可以通过更少的手动修改更快地构建概念原型。
- 团队与工作流程. 操作可以使用以前难以处理的图像和视频信号。
留意
- 如果出处不明，肖像权和同意可能会成为法律风险。
- 模型性能可能因光照、人口统计和环境的不同而有所不同。
- 除非监控置信阈值，否则误报可能会被忽视。
后续步骤
- 定义精确度、召回率和错误成本的接受标准。
- 使用符合实际生产条件的数据进行测试。
- 为低置信度或高影响力的预测添加人工审核。
- 跟踪模型漂移并在相机或数据集更改后重新验证。
资料来源与延伸阅读
- NIST人脸识别技术评估：人口统计学影响
不断探索
常见问题
人脸相似度能否确定某人的性格或意图？
不能。身份比较无法为这些无关的个人特征提供证据。