为什么被折叠？
0 个回复被折叠
6 回答
Face++（Face++ 最好的免费人脸识别云服务）、
商汤科技sensetime（http://www.sensetime.com/）、
知图（Cogtu | Reinventing Advertising）、
Linkface（Linkface - 全球领先的人脸识别技术服务）、
格灵深瞳（DeepGlint-格灵深瞳）、
中科奥森（http://www.authenmetric.com/）
宇泛科技Uni-Ubi（智能前台-首页）
云从科技（API服务_云从科技 | 源自计算机视觉之父的人脸识别技术）
腾讯优图（腾讯优图开放平台-首页）
……
Face++, 商汤，上海依图，北京飞搜，广州云从。
linkface 和 商汤是一家，格灵深瞳不做人脸识别而是车牌与图像识别，奥森和汉王的技术有点老了。
排名没多大意义，就像卷子的答案已经全部破解了，最多也就100分。事实上，LFW库的满分是99.几%左右，至于能否拿得到99.8几%，第一是技术实力，第二是愿意投入精力。
————————————————————————————————————————
按照2015年底的排名，百度、云从科技、中科奥森、腾讯等处于前列，现在这个榜单应该有所变化，后来者还在想靠着刷分炒作。
据我所知，具备一定技术实力后，刷分的高低和投入的精力和资源成正比，如百度是脸优小组反复搞了快一年的时间，期间还爆出过作弊丑闻，才在上面获得99.8%。
2015年云从科技研究院仅利用一台GPU服务器，一个月的时间就将结果刷到了接近满分的结果，此后他们不再投入精力去刷分。因为商业化的步伐很快，研究院忙不过来。
同时借用同行的大牛对相关测试的评价：
“LFW纯粹是一个题库性质的测试，最主要的作用是测试一套系统能不能达到基本的人脸识别能力。”也就是说，如果所有的人脸识别系统都是3岁小孩，LFW就是用来测试这些小孩够不够上幼儿园的智力水平测试。为什么说它是题库，就是因为这6000组网络样本——6000张照片，是固定的。任何一个系统都可以对这6000组样本进行有针对性的优化，从而达到刷高分的效果。”
“LFW是一个纯粹实验室级别、学术性质的测试工具。在样本量可能达到十万级、百万级的实际商业场景下，LFW里取得高准确率的系统并不一定能延续刷出来成绩，其误识率将直线上升，甚至有可能根本没法用。”
附上两个人脸识别API服务，个人都可以免费申请使用（有人提过的我就没提了）：
云从科技（API服务_云从科技 | 源自计算机视觉之父的人脸识别技术）
腾讯优图（腾讯优图开放平台-首页）
排名以官方网站（LFW: http://vis-www.cs.umass.edu/lfw/results.html）的为准吧，目测没有国内的单独排名。
国内做人脸识别的大牛还是很多的，比如港中文的汤晓鸥教授+王晓刚教授（Multimedia Laboratory），中科院的山世光老师（Shiguang Shan）和李子青老师（Stan Z. Li (李子青)'s Homepage），上海科技的马毅老师（http://sist.shanghaitech.edu.cn/StaffDetail.asp?id=3），微软亚研院的孙剑，还有港理工的张磊（Lei Zhang's Homepage (HK-PolyU)）等。（我这里只是举例，还有可多可多的老师大牛们，毕竟人脸识别是一个很久以来都很热并将继续热下去的问题，做的很好的人太多太多了，想详细了解的话还是要自己去下功夫的）
至于厂家嘛，随着这几年deep learning的火热和在人脸识别上的成功应用， 国内做的很厉害的团队也很多。像BAT、微软等公司自不必说，均有相关团队走在这方面的前沿；还有像汉王等一直以来都在做这方面产品的公司；此外还有很多新兴的公司几乎都手持比较好的算法并转化为产品，比如：
Face++（Face++ 最好的免费人脸识别云服务）、
商汤科技sensetime（http://www.sensetime.com/）、
知图（Cogtu | Reinventing Advertising）、
Linkface（Linkface - 全球领先的人脸识别技术服务）、
格灵深瞳（DeepGlint-格灵深瞳）、
中科奥森（http://www.authenmetric.com/）
等等等。
欢迎楼下补充。
PS，为了写这个回答把COC的部落战第二架错过了，面壁去了~~
目前lfw的刷榜对于很多研究机构已经没有意义了。基本上是个做人脸的都会说自己lfw刷到多少，我也。。。也许大家都不知道IDL在人脸领域做了很多工作，利益相关啊，在IDL做实习生知道人脸组很多不错的work。Lfw和fddb霸榜霸了很久了，但是很低调，几乎没怎么拿出来说。甚至没什么人知道IDL有人脸组。另外人脸识别领域慢慢有更多的竞赛，megaface，widerface等等，这些场景难度更大，吹的人就少了。视频领域的人脸识别一直是很大的难点，如何做特征融合，姿态问题，分辨率问题等等等等都是难点，目前没有几家公司有很好的解决方案。任重道远，少吹牛逼。我是IDL人脸组的小渣渣。欢迎来这里实习，我们有一堆人脸组老司机等着带你飞 (˃̶͈̀௰˂̶͈́) 
LFW是个公开数据集，可以在这里看到结果：http://vis-www.cs.umass.edu/lfw/results.html
FRVT2013的结果（从NEC的网站上找的）：
不过DL的第一篇论文（应该是Facebook的DeepFace吧），是在FRVT2013之后出现的，所以估计这里没有用DL做的。
因为技术革新了，这个行业大洗牌了一次，因此FRVT2013的结果并不具有参考价值。
=====================================
FRVT现在已经改成每月汇报一次结果了，最新的榜单上依图在7项指标的4项中排在第一位。
Face Recognition Vendor Test (FRVT) Ongoing
尤其是限定条件下有配合的人脸识别（就是上班打卡或者安检闸机这种环境），依图的表现近乎完美， 仅有1-2例匹配失败。
不过DL的第一篇论文（应该是Facebook的DeepFace吧），是在FRVT2013之后出现的，所以估计这里没有用DL做的。
因为技术革新了，这个行业大洗牌了一次，因此FRVT2013的结果并不具有参考价值。
=====================================
FRVT现在已经改成每月汇报一次结果了，最新的榜单上依图在7项指标的4项中排在第一位。
Face Recognition Vendor Test (FRVT) Ongoing
尤其是限定条件下有配合的人脸识别（就是上班打卡或者安检闸机这种环境），依图的表现近乎完美， 仅有1-2例匹配失败。
问题动态
- 发布时间
- 2026-01-11 04:27
- 更新时间
- 2026-01-11 04:27
- 关注人数
- 0 人关注
