[发明专利]一种基于人脸考勤场景的模型评估方法、装置和计算机设备

说明书

本申请提出了一种基于人脸考勤场景的模型评估方法、装置和计算机设备，其中，上述方法包括：对每个用户的现场照与非对应底图进行两两组合，得到n个负样本，所述非对应底图包括与每个用户的现场照具有最大相似度的另一用户的现场照所对应的底图；对所述n个负样本按照所述最大相似度的大小进行排序，并获取第m最大相似度；利用待评估模型在所述第m最大相似度下对n个正样本进行检测，以完成对所述待评估模型的评估，所述的n、m为任意正整数，且n≥2，n＞m。本申请可以避免在人工智能领域中评估模型时无法进行直观表述的问题，可以仅根据具有最高精度的第m最大相似度来对正样本进行评估，充分结合了生产实际。

技术领域

本申请涉及人工智能技术领域，尤其涉及一种基于人脸考勤场景的模型评估方法、装置和计算机设备。

背景技术

现有的对模型能力的评估，大都采用接收者操作特征曲线(Receiver OperatingCharacteristic；以下简称：ROC)以及评估指标F1分数(以下简称：F1-score)。

ROC曲线是反映敏感性和特异性连续变量的综合指标，是用构图法揭示敏感性和特异性的相互关系，它通过将连续变量设定出多个不同的临界值，从而计算出一系列敏感性和特异性，再以敏感性为纵坐标、(1-特异性)为横坐标绘制成曲线，曲线下面积越大，诊断准确性越高。在ROC曲线上，最靠近坐标图左上方的点为敏感性和特异性均较高的临界值。

F1-score是统计学中用来衡量二分类模型精确度的一种指标。它同时兼顾了分类模型的准确率和召回率。F1-score可以看作是模型准确率和召回率的一种加权平均，它的最大值是1，最小值是0。

然而，上述模型评估方法中，不论是采用ROC曲线，还是F1-score，在进行模型评估的过程中，在构建负样本测试集时，均采用全量负样本作为负样本测试集，故而在进行模型评估的过程中，大大增加了评估的工作量。

发明内容

本申请实施例提供了一种基于人脸考勤场景的模型评估方法、装置和计算机设备，以避免在评估模型时无法进行直观表述，并通过对负样本的全新构建，使得在进行模型评估时充分结合了生产实际。

第一方面，本申请实施例提供了一种基于人脸考勤场景的模型评估方法，包括以下步骤：

获取n个用户的现场照和每张现场照对应的底图，对同一用户的现场照和对应的底图进行两两组合，获得n个正样本；

对每个用户的现场照与非对应底图进行两两组合，得到n个负样本，所述非对应底图包括与每个用户的现场照具有最大相似度的另一用户的现场照所对应的底图；

对所述n个负样本按照所述最大相似度的大小进行排序，并获取第m最大相似度，所述第m最大相似度为排列在第m位的负样本中的现场照和非对应底图之间的最大相似度；

利用待评估模型在所述第m最大相似度下对n个正样本进行检测，以完成对所述待评估模型的评估，所述的n、m为任意正整数，且n≥2，n＞m。

其中在一种可能的实现方式中，所述对n个负样本按照所述最大相似度的大小进行排序包括：

对所述n个负样本按照所述最大相似度的大小进行冒泡排序；或

对所述n个负样本按照所述最大相似度的大小进行选择排序。

其中在一种可能的实现方式中，所述对同一用户的现场照和对应的底图进行两两组合，获得n个正样本之前，包括：

基于相似度算法计算每个用户的现场照与对应的底图之间的相似度；

所述对每个用户的现场照与非对应底图进行两两组合，得到n个负样本之前，还包括：

基于相似度算法计算每个用户的现场照与非对应底图之间的相似度。