DeepID2[2014-NIPS]

Motivation

• 通过深度网络学习人脸embedding-feature！[DeepID-2014CVPR]；
• 减小内类variations，增加类间difference；

Novelty

• identification loss

                                                                          

• verification loss [cite]                                                                        

         ,  ,d = cos(f1, f2)

• constrastive

                                                                     Loss = Ident(f, l) + lambda * Verif(f1, f2, l1, l2)

Details

                                       

Experiment

• 量化分析                   

                            

                       

1. 方差随着dim的增加衰减得越快，意味着类内的diversity、类间的variation越小【即：pattern比较固定】.
2. 当lambda=0时，采用softmax-loss导致类内diversity较大、类间variation较小，因此造成识别干扰！
3. 当lambda=0.05时，类内的diversity明显减小、类间variation明显增大，意味学到人脸特征区分能力得到提升！
4. 当lambda=∞时，类内的diversity、类间variation均显著增大，因为没有 identification的反馈信息，模型无法获取具有足够多样化信息的嵌入feature，导致模型识别能力锐减！

• 实验结果

                                                          

Reference

[1]. Deep Learning Face Representation by Joint Identification-Verification [2014-NIPS]

[2]. Deep Learning Face Representation from Predicting 10,000 Classes [2014-CVPR]