※ 引述《can18 (18号)》之铭言：
: 我觉得原 Po 犯了几点错误
: 1. 人脸识别的技术
: 人脸识别最主要的目的是将相同的人视为相同的人 不同的人视为不同的人
: 数值代表的是为同一个人的机率 并不是两个人的相似程度
: 人脸识别不会保证相似的人的分数一定会比不相似的人高
: (当然实务上相似的人分数很可能比不相似的高 但不是必然
: 事实上 有一篇论文叫做
: Measuring Face Similarity Rather than Face Identity
: (CVPR 2018 顶级的电脑视觉会议论文)
: 如果可以直接用人脸识别的分数推论相似 这篇论文根本不会存在
: 2. 相似的定义
: 假设你真的得到机器的相似分数
: 大家说的像 相似
: 通常指的是人类知觉上的相似
: 因此若两个相似的人
: 机器如果判断为相似
: 也只能说 人觉得相似 机器也觉得相似
: 机器如果判断为不相似
: 也只能说 人觉得相似 但机器觉得不像
: 而不是可以用机器判断来推论人的知觉
: 机器判断的逻辑跟人类是差非常多
: 结论
: 1. 根本用错方法 不能用人脸识别分数推论人脸相似程度
: 2. 就算用对方法 机器觉得像不像不能推论人觉得像不像
我不是机器学习相关领域的，不过我对下面那个confidence score有点兴趣，
这东西翻译好几种，信心指数，信赖分数，可信度 etc，
但照我的理解，应该是程式对这次判断结果的自信度，
那意思似乎就会完全颠倒呢...
用第一张图来看，程式判断这两人不同人，但信心指数只有0.1xxx...
那代表程式其实非常不确定，干意思就是这两张照片超像的阿！像到程式根本无法确定！
有没有机器学习领域的版友出来打我脸，解释一下confidence score真正的涵义，
顺便帮大家涨点知识吧。

意思是程式判断两人是同一人的信心指数0.1xxx

笑死

帮高调这篇

拿同一张照片是结果会是1

意思应该是：AI认为两人不同，但没什么信心

预防性 国

比较正确的理解法应该是 信心指数0.1xxx 所以程式表示

下面的前缀字会改

一样的话(Same person)，可信度100%

他后面的可信度看起来是依前面的那句话来判定可信度

笑死，都不晓得该说什么才好

实际上看那个值就好了

不能只看值了 前面那句话有不同

大概就那个值高于某个程度就会被判定说是同一人

前缀不同，不能只看值

这种东西如果有第二个判断值会打出来给你看啦

他那个值不是“相似度”，是“可信度”

不然就是前面是结果，后面是数值，两个分开看

应该说数值是结果 前面字句是根据结果做出的解释

我猜大概是>0.8或是0.7就说same person对于这种工程师写的字句不要想太多 解释都是很直接的

前面结论会有肯定或否定 后面只是秀数值给你看

那下面就直接写Similarity就好啦，为什么要写confidence 呢？

因为不是相似度

统计…

电脑的辨识就是抓几个地方做特征比对 那个相似度其实不过只是代表电脑觉得有几个地方一样而已

所以结论就是国爆了 AI不确定是不是不同人

实际上来说 所谓的大数据分析也就是统计的延伸经由大量的资料计算后 所分析出可能性的高与低但本质上依旧是机率统计的概念 机率高不代表就是正确 只是正确的可能性高 反之亦然

辣个 有没有比较完整的结论惹

但就算样本(资料量)再大也不能够完全体现母体 所以他不是实际发生的机率而是 我们推测他符合正确的机率所以不能够用相似度准确率 而是有多少信心认为符合真实情况

https://i.imgur.com/4Z82PSL.jpg这样算是帮三胖验明正身了吗？其实原本想比看看枪间老母的但不给辨识

所以为什么不去看微软提供的定义，自己在那边猜

以这个例子如果题目改成从数个目标中选一个 那尽管目标中没有正确答案 还是有可能出现很高的信心值 因为最后他所有选项的加总会是1

给的这个已经是信心值最高的结果了 换句话说 判断是同个人的信心指数比0.1xxx还更低

文组？

再换句话 也就是两张照片撷取的特征比对有大多数都没办法给出高信心的"是"或"不是" 那就跟两张照片很像没什么两样

为什么不看文件... https://tinyurl.com/yakj2sb6tinyurl 缩不好... https://bit.ly/2Dnc3Vr

通常这种类似分类的神经网络最后一层都是接Softmax，把神经网络的输出转成机率，就会变成[0.9,0.1]这种的输出，可能前面的值为这两个人是同一人的可能性，然后后者相反（这看你怎么label资料），所以这里confidence应该是指神经网络认为这两个人是同一人的可能性的意思。