我正在为大量人群构建人脸识别系统，并且希望通过增加更多的训练数据来检测更多的人。我当前的流程是：
- 使用 Yolov4-tiny 检测面部
- 使用 KNN 分类器识别面部（我用大约 80 个类别来训练它，每个类别包含大约 5 张图片）
目前，它可以在 CPU 上以大约 10fps 的速度实时运行。我的担忧是，通过一些研究，我发现如果增加数据集，KNN 会遇到问题（维度灾难）。所以我想知道使用 KNN 来解决这个问题是否可行？如果不行，有没有绕过这个问题的办法或其他解决方案？
回答：
增加数据集不会导致维度灾难。维度灾难发生在高维空间中，例如使用大量特征时。增加数据集反而有积极的效果。
我确实看到每个类别只使用 5 张图片存在问题。
另外，如果你对实时性能感兴趣（通常人们谈论实时性能时指的是 30fps 以上），我建议考虑在 GPU 上运行 yolov4-tiny，而不是在 CPU 上，如果可能的话。
