深度学习第四课程笔记-人脸识别

人脸识别

人脸识别主要分为两部分，人脸验证（face verification ）和人脸识别（face recognition)，以下两个部分内容如图所示：

One- shot learning 

• 人脸识别的难点之一是“一次学习”，即我们的数据库里，只会有着员工的一张照片，而不会有很多张照片。
•  目前来说解决这个问题，在于一个函数(similarity function),输入为两个图片，存在一个阈值，来进行判断

Siamese network (孪生网络)

Siamese 网络，实际上是将两个图片在同一个网络中进行卷积，得到一组矩阵，进行不同标记，然后计算他们之差范数的平方，进而得到值，如下图所示：

Triplet 损失

我们想要得到优质的编码，方法之一是定义一个三元组损失函数，然后应用梯度下降 

 

在我们训练的时候，A,P,N选择是任意的，而对于一个数据及来说，上方的训练条件很容易满足，所以，我们训练要选择较难的数据，使得两边接近，才会使得梯度下降产生作用。 

面部验证与二分类

这里对于我们，数据库内的已有照片，我们只需要计算一次，得到后存储数据，需要对比时候在进行调用，比每用一次就进行卷积，计算效率会提高很多。

神经风格迁移（neural style transfer ）

将两种不同风格的图片进行合成，比较酷。点击这里参考

 

 

可视化理解卷积神经网络

 

这里，我们选取第一层神经网络，找到单元的最大激活函数，对于第一层来说，都是一些边缘或者阴影，颜色之类的简单图像，对于第二层，可视化更详细一些，之后也是如此。

代价函数

为了实现神经风格迁移，通过最小代价函数，生成任何想要的图像，如图两个超参数构成代价函数J，来判断我们生成的图片是否符合这两个。

内容代价函数Jcontent与风格代价函数Jstyle 

我们在大家函数需要合理的选择层数L，如果L选择特别小，比如是1，会使得像素特别接近我们的原始图像，所以L选择既不是太浅也不是太深，我们可以使用VGG网络进行练习。

如上图，我们选择合适层数L后，对于一层，nc不同的通道，代表了由不同卷积核所提取的不同特征，反应了不同的图像。

G矩阵为风格矩阵，为每个对应元素在对应通道相乘得到，也叫（格拉姆矩阵）