从 max 到质心，阈值从手感到数据：室友 bug 的最后一块拼图

室友被认成我的那篇，结尾挖了个坑：导师说相似度阈值不该拍脑袋，该从数据里算出来。清晰度那篇填了小坑——糊样本进不了门了。这篇填大的：匹配逻辑本身怎么改，以及阈值怎么自动标定。

写完这篇，这个 bug 才算真正修完。

第 0 步：一切的地基——嵌入空间的几何

SFace 这类模型做的事情是：把任何一张对齐的人脸图变成一个 128 维向量，训练目标保证同一个人的不同照片落在一小簇，不同人离得远。归一化之后，所有向量都落在一个 128 维单位球面上，“相似度”就是两个向量的夹角——余弦相似度，也就是单位向量的点积。

这是后面所有决定的前提。我实测的数字直观印证了这个几何：我自己的样本互相之间 0.84–0.91（同簇，夹角小），我和测试者之间约等于 0（近乎正交）。在高维空间里，“正交”就是”毫无关系”——两个随机的高维向量几乎必然近似垂直，这叫高维集中现象。模型说”这两张脸没关系”的方式，是让它们的向量互相垂直。

第 1 步：从事故推出质心

原始 bug 的机制是”一张模糊的注册样本 + 逐样本取最大分”。关键的一步是把它翻译成统计语言：

逐样本取 max，意味着任何一个样本单独就能触发匹配。 max 是对离群点最敏感的统计量——10 个样本里 9 个好的救不了 1 个坏的。

那自然的问题就是：有没有一个统计量，能让坏样本被好样本”投票压制”？答案几乎是脱口而出的：平均。10 个样本平均，单个坏样本的影响被稀释到十分之一。

但”平均”在球面上有一个数学上很漂亮的正当性，不只是直觉。问：球面上哪个点，和我所有注册样本的平均余弦相似度最大？点积对求和是线性的，所以”最大化平均相似度”等价于”找和样本均值向量夹角最小的单位向量”——答案就是均值方向本身，即归一化后的均值。代码里就两行：

centroid = feats.mean(axis=0)
centroid /= np.linalg.norm(centroid)

所以质心不是工程上的取巧，它是”和你所有注册样本整体最像的那个点”的严格数学解。

两个实现细节现在也能自己推出来了：

为什么先逐样本归一化再平均：不归一化的话，模长大的样本在求和里权重就大。我要的是每个样本一票，不是”嗓门大的多算”。
为什么平均之后还要再归一化：单位向量的平均值一定落在球面内部（模长小于 1），要把它拉回球面，后续的点积才仍然是标准的余弦相似度。

这套东西在文献里早有名字：经典机器学习里叫 Nearest Class Mean 分类器，小样本学习里叫 Prototypical Networks（Snell et al., 2017），人脸评测里叫 template averaging。我”想到”它，本质上是认出了我的 bug 和这些已解问题是同一个问题。

第 2 步：从”阈值该是多少”推出标定

固定阈值 0.363 是 OpenCV 给的默认值，它是在某个公开数据集上调出来的——凭什么对我客厅里的这两个人也合适？

这就引出生物识别的经典框架：任何验证系统里只存在两种比对——genuine（本人 vs 本人的库）和 impostor（别人 vs 你的库），各自形成一个分数分布。阈值就是你在两个分布之间画的一条线：往左移，冒充者更容易混进来（FAR 升高）；往右移，本人更容易被拒（FRR 升高）。阈值没有”正确值”，只有你愿意接受的权衡点。

我的场景特殊在：误认（把室友叫成我）比认不出难堪得多。所以宁可 FRR 高一点，也要 FAR 低——阈值应该定在冒充者分布的右尾之外。

没有大规模冒充者数据集怎么办？注册库自己就是一个小型冒充者数据源：A 的每个样本打 B 的质心，就是一次真实的 impostor 比对。取所有跨人比对的最高分（经验上的冒充者天花板），加 0.05 的余量，就是 _calibrate_threshold 的全部逻辑。标定只升不降——两个人的小库估出来的天花板可能偏低，默认值兜底更稳妥。

实测下来：冒充者天花板 -0.017，本人地板 0.78，中间隔着 0.8 的鸿沟。0.363 站在沟里很安全，所以标定跑完保持了默认值。但意义变了：以前它安全是因为运气，现在它安全是因为量过。

这个”画出两个分布、看间隔”的动作，就是 NIST 人脸评测和 ISO/IEC 19795 标准里的标准姿势。我只是在两个人的客厅尺度上，把同一件事做了一遍。

第 3 步：所谓”能推出来”，其实是三个可学的技能

复盘整条链路，没有一步靠灵感，每一步都是可以练的：

把 bug 翻译成统计语言。“室友被认错”翻译成”max 对离群点敏感”。这一步最值钱，也最可练——翻译完，解就自己浮出来了。
认出同构问题。“多个样本代表一个类”= prototype；“定阈值”= genuine/impostor 权衡。读文献的意义不是背方案，是攒下这本”问题词典”，下次事故发生时能查得到。
**在自己的数据上验证。**前两步给的只是候选方案，那张相似度表——0.84 到 0.91 的簇、约等于 0 的正交、隔着 0.8 的鸿沟——才是它在我的场景里成立的证据。

留给自己的三个问题

写到这里，又收到三个追问。都有提示，但我还没想到能落笔的程度，先记下来：

一、为什么用均值不用中位数？中位数不是对离群点更鲁棒吗？ 提示：想想 128 维里”逐维取中位数”得到的向量，还在不在簇中心方向上。我目前的直觉是：中位数只能一个维度一个维度地取，128 个坐标各自独立选出来的数拼成的向量，未必还指向簇的中心——它不像均值那样有球面上的最优性证明，而且坐标系一旋转答案就变了。再说离群点的活，门口的清晰度门卫已经干了。但这个直觉还没被我算过。

二、注册样本从 10 张涨到 100 张，质心会更好吗？什么情况下反而会变差？ 提示：平均压的是随机噪声，压不了系统性偏差。100 张全是同一侧光照的照片，平均掉的是抖动，平均不掉的是光照本身——它会被原封不动地烧进质心里。如果真是这样，那样本要的是多样性，不是数量。

三、阈值标定在什么情况下会失效？ 提示：库里只有 2 个人时，“冒充者天花板”估的是谁的天花板？答案是只是我们俩之间的。来一个长得像我的第三人，他的 impostor 分数可能远高于这个天花板。这大概就是”只升不降 + 默认值兜底”存在的理由，也意味着每进一个新人，标定都得重跑。

想清楚哪个，就回来填哪个。

后记

室友 bug 系列到这里算完结了：门口有质检，匹配看质心，阈值从数据里长出来。

一场误认，最后修出来的其实不是三段代码，是三次”把直觉换成可以被检验的东西”。