为什么人脸聚类算法不使用距离矩阵而不是聚类算法？
Why don't Face Clustering Algorithms use Distance matrices rather than clustering algorithms?
我正在阅读 dlib's face clustering code 并注意到过程是这样的：
- 使用经过训练的网络将面孔转换为矢量
- 使用中文耳语聚类算法根据距离计算分组
在尝试对大量（>10,000）图像进行聚类时，中文耳语聚类可能需要相当长的时间。
在这篇 pyimagesearch 文章中，作者使用另一种聚类算法 DBSCAN 来按人物对大量图像进行分组。
既然神经网络生成的向量可以用来计算两张人脸的相似度，那么直接计算一个euclidean distance matrix，然后搜索所有满足某个置信度的值岂不是更好阈值（例如，对于 70% 的置信度，x < 0.3）？
当您只需将每张脸与其他每张脸进行比较以确定哪些是同一个人时，为什么还要使用聚类算法呢？ DBSCAN 和 chinese whisper clustering 都比计算距离矩阵花费更长的时间。对于我的 30,000 张图像数据集，时间是：
C-耳语 - 5 分钟
距离矩阵 + 搜索 - 10-20 秒
实际上，dlib 的实现与您的想法非常相似。 Here 是代码。它首先检查每一对并拒绝距离大于阈值的对。这正是您提出的建议。但随后它对结果进行了很好的聚类。那么，会发生什么变化？
如果您的数据点分离良好，则可以简单地按距离切断。但是，如果您的数据点彼此非常接近，这个问题就会变得非常困难。想象一个一维特征。您的数据点是 0 到 10 之间的整数位置，如果它们的距离最多为 1.5，您希望将两个数据点放在一个簇中。那么，你会怎么做？如果你从一对开始，你可以做一个集群。但是如果你选择一个相邻的点，你会发现它比你的阈值更接近集群中已经存在的一个点，并且比另一个点的阈值大。聚类就是要解决这个歧义。
DBSCAN 实际上只比计算距离矩阵稍微长一点（正确实施时，99% 的计算是距离计算）并且使用索引有时会快得多，因为如果索引，它不需要每对距离可以修剪计算。
但是你不能只从距离矩阵中 "read off" 聚类。那里的数据可能是矛盾的：人脸检测器可能认为 A 和 B 相似，B 和 C 相似，但 A 和 C 不相似！那你怎么办呢？聚类算法试图准确地解决这种情况。例如，单一 Link 和更小的 DBSCAN 扩展将使 A 和 C 成为相同的集群，而完整的链接将决定 AB 或 BC。
我正在阅读 dlib's face clustering code 并注意到过程是这样的：
- 使用经过训练的网络将面孔转换为矢量
- 使用中文耳语聚类算法根据距离计算分组
在尝试对大量（>10,000）图像进行聚类时，中文耳语聚类可能需要相当长的时间。
在这篇 pyimagesearch 文章中，作者使用另一种聚类算法 DBSCAN 来按人物对大量图像进行分组。
既然神经网络生成的向量可以用来计算两张人脸的相似度，那么直接计算一个euclidean distance matrix，然后搜索所有满足某个置信度的值岂不是更好阈值（例如，对于 70% 的置信度，x < 0.3）？
当您只需将每张脸与其他每张脸进行比较以确定哪些是同一个人时，为什么还要使用聚类算法呢？ DBSCAN 和 chinese whisper clustering 都比计算距离矩阵花费更长的时间。对于我的 30,000 张图像数据集，时间是：
C-耳语 - 5 分钟
距离矩阵 + 搜索 - 10-20 秒
实际上，dlib 的实现与您的想法非常相似。 Here 是代码。它首先检查每一对并拒绝距离大于阈值的对。这正是您提出的建议。但随后它对结果进行了很好的聚类。那么，会发生什么变化？
如果您的数据点分离良好，则可以简单地按距离切断。但是，如果您的数据点彼此非常接近，这个问题就会变得非常困难。想象一个一维特征。您的数据点是 0 到 10 之间的整数位置，如果它们的距离最多为 1.5，您希望将两个数据点放在一个簇中。那么，你会怎么做？如果你从一对开始，你可以做一个集群。但是如果你选择一个相邻的点，你会发现它比你的阈值更接近集群中已经存在的一个点，并且比另一个点的阈值大。聚类就是要解决这个歧义。
DBSCAN 实际上只比计算距离矩阵稍微长一点（正确实施时，99% 的计算是距离计算）并且使用索引有时会快得多，因为如果索引，它不需要每对距离可以修剪计算。
但是你不能只从距离矩阵中 "read off" 聚类。那里的数据可能是矛盾的：人脸检测器可能认为 A 和 B 相似，B 和 C 相似，但 A 和 C 不相似！那你怎么办呢？聚类算法试图准确地解决这种情况。例如，单一 Link 和更小的 DBSCAN 扩展将使 A 和 C 成为相同的集群，而完整的链接将决定 AB 或 BC。