美国IARPA发起人脸识别算法融合大奖赛

（如果你有志于计算机视觉方面的研究或工程开发，请关注本公众号，绝对是一个让你不会后悔的选择）

如果A、B算法都很好，为什么不把它们融合起来试一下而要去开发新算法呢？

随着深度学习等技术的进步，各种人脸识别算法不断刷新识别精度，但是，我们是否可以利用多种人脸识别算法的数据输出来想办法提高整体精确度？

关于生物识别融合，已经有大量的文献旨在通过多模态（例如，面部+指纹模态融合），多种算法或多个样本的融合来提高准确性。然而，大多数研究仅在识别后获得的分数级别上进行1：1验证。该竞赛旨在鼓励对通过模板级融合提高一对多（即1：N）识别准确度的方法的研究。希望参赛者共同去探索，通过融合特征级模板或通过现代数据科学提供的更具创新性的分数级融合方法，能够实现更高的精确度吗？

组织机构：美国高级情报研究计划局（IARPA），专注于高风险，高回报的研究计划，以应对情报机构和学术社区的困难挑战。IARPA发起的挑战，希望邀请更广泛的研究团体的专家以更方便，更高效和非契约的方式参与IARPA的研究。

竞赛内容：对相同的输入图像，参赛者的程序需要融合多个人脸识别算法的输出。融合可以在特征模板上进行，也可以在识别之前进行，或者通过识别产生的分数进行，优胜者会获得丰厚奖励，以最大限度地提高验证和识别准确度。

竞赛目的：人脸识别的错误率，尤其是在不可控的环境中，还远不能满足实际的需要。一种更好的算法的开发往往需要不菲的投资，如果存在一种机制可以在已有算法基础上提高识别精度，就变得非常有价值了。

关于生物识别融合，有大量的文献，涉及到多模态融合、多算法融合等，这些文献表明，使用一些简单的方法就可以提高最终识别的精度。并有结果表明，如果融合的输入具有相关性，往往得到的改进增益不会很明显。同时在这个领域大量的文献解决的都是1:1的验证问题，而不是1:N的识别问题，这也是值得探索的方向。另外，分数级别融合明显比特征模版级融合更多，但从信息论的角度，很明显特征级别的融合应该会带来更好的改进，虽然往往复杂度较高。

注册截止时间：2018年8月6日

结果公布时间：2018年10月

竞赛参与者需要把他们的已经编译好的软件发送给NIST，由NIST统一组织测试，测试时软件将在相互隔离互不干扰的图像上运行。

奖项设置：总奖池70000美金！将分成四类单项奖，分别是验证与识别问题的分数级与模版级融合，并为算法开源的获奖者提供额外奖励！

本公众号后续将会就算法融合问题发一篇小总结，敬请期待。

竞赛主页：

https://www.challenge.gov/challenge/fusion-of-face-recognition-algorithms/