为什么人脸聚类算法不使用距离矩阵而不是聚类算法？

Question

我正在读dlib's face clustering code，注意到过程如下：

1. 利用训练好的网络将人脸转换为矢量
2. 利用中文耳语聚类算法进行基于距离的群体计算

当试图对大量（大于10000）图像进行聚类时，中文耳语聚类可能需要相当长的时间。在

在这篇pyimagesearch文章中，作者使用DBSCAN（另一种聚类算法）按人对多幅图像进行分组。在

由于神经网络生成的向量可以用来计算两个人脸之间的相似度，那么仅仅计算一个euclidean distance matrix，然后搜索所有满足置信阈值的值（例如x<；0.3表示70%的置信度）不是更好吗？在

为什么要使用聚类算法，因为你可以将每个人脸与其他人脸进行比较，以确定哪些是同一个人？DBSCAN和chinese-whisper聚类都比计算距离矩阵花费的时间长得多。在我的30000张图片的数据集中，纽约时报是：

C-whisper-5分钟

距离矩阵+搜索-10-20秒

Answer 1

DBSCAN实际上只需要比计算距离矩阵稍微长一点（如果实现正确，99%的计算都是距离计算），并且使用索引有时可以更快，因为如果索引可以修剪计算，它不需要每个成对的距离。在

但是你不能仅仅从距离矩阵中“读出”簇。这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与C相似，但A和C不同！那你是做什么的？聚类算法试图准确地解决这种情况。例如，单个链路，以及较小范围的DBSCAN，将使a和C成为同一个集群，而完整的链路将决定AB或BC。在

Answer 2

实际上，dlib的实现与您所想的非常相似。Here是代码。它首先检查每个对，并拒绝距离大于阈值的对。这正是你提议的。但是它对结果进行了精细的聚类。那么，会有什么改变呢？在

如果数据点分离得很好，那么简单地按距离切断就可以了。但是，如果数据点彼此非常接近，这个问题就变得非常困难。想象一下1D特性。数据点是0到10之间的整数位置，如果两个数据点的距离最大为1.5，则需要将它们放在一个簇中。那么，你会怎么做？如果你从一对开始，你可以形成一个集群。但是如果你选择了一个相邻的点，你会发现它比你的阈值更接近簇中已有的一个点，而大于另一个点的阈值。聚类就是为了解决这种模糊性。在