最近，一些论文中提出了新的评估协议，用于在LFW数据集上进行封闭集和开放集的人脸识别。对于开放集，报告了在固定错误警报/接受率（FAR）下的检测和识别率（DIR）作为Rank-1准确率。我有一个库集和探测集，并使用KNN进行分类，但不知道如何计算DIR@FAR1%。

更新：

具体来说，我不清楚如何将FAR固定在一个固定的阈值上，或者如何为人脸识别绘制诸如ROC、精确度-召回率等曲线。以下段落中的阈值是什么意思？

因此，性能评估基于（i）Rank-1的检测和识别率（DIR），这是Rank-1上正确匹配的真实探测的比例，且未在给定阈值下被拒绝，以及（ii）拒绝步骤的错误警报率（FAR）（即未被拒绝的冒名探测图像的比例）。我们报告了DIR与FAR曲线，描述了真实Rank-1识别与错误警报之间的权衡关系。

参考论文可在此处下载：这里。任何帮助都将受到欢迎。

回答：

我认为DIR指标是由生物识别学会制定的。这个指标包括检测（超过某个阈值）和识别（排名）。假设库集由生物识别数据库中注册的用户组成，探测集可能包含在数据库中存在或不存在的用户。设g和p分别是库集和探测集的两个元素。此外，假设探测集包括两个不相交的子集：P1包含属于库集对象的样本，P0包含不属于库集对象的样本。

假设s(p,g)是探测与库集元素之间的相似性得分，t是一个阈值，k是识别排名。那么，DIR的计算公式如下：

您可以在以下参考文献中找到完整的公式：Poh, N., et al. “Description of Metrics For the Evaluation of Biometric Performance.” Seventh Framework Programme of Biometrics Evaluation and Testing (2012): 1-22.