深度学习在人脸识别领域的应用

  Learning Hierarchical Representations for Face Verification with Convolutional Deep Belief Networks

       话说这深度学习如火如荼的，在imageNet上斩获无数，在人脸识别这个领域，深度学习也不甘示弱，本系列将介绍人脸识别领域应用深度学习的工作。

       这是CVPR2012的一篇工作，利用CDBN来做层次特征学习，来处理unrestricted face verification问题。由于人脸的特殊性，CDBN除了直接在灰度图像上训练，同时在LBP图像上训练（取了59维的 Uniform LBP Feature)，按文中观点，CDBN可以用来提取local feature中的高阶统计信息。另外一方面，人脸被划分为若干相互重叠的块，每个块只和部分隐结点发生关联，CRBM的建模如下：

      

       最后输出的特征进一步用CSML进行测度学习，过程依旧是先做PCA，再学测度。

       实验部分在LFW数据集上进行，文章在不同网络架构下比较了random filter和基于CDBN模型的learned filter，得出结论是learned filter比random filter对网络架构鲁棒性更强，性能普遍更优。

      

        重头戏是LFW View2上的确认实验，注意CDBN网络的参数是在View1上调出来滴。实验结果如下：

      Table 1中，在Kyoto这个自然图像数据集上训练的CRBM model放在人脸上也不错。另外一个费解的地方就是，多层的CRBM提升不大，Kyoto数据集上，2层CRBM的性能甚至比一层的还要低。深度学习的拥护者普遍认为，不充分的深度是有害的。单个数据源性能最高的是Kyoto，同时使用LBP和pixel训练CRBM，Accuracy达到了86.60%，居然比人脸数据训练出的模型还高。

      Table2就有些惨不忍睹了，虽然说Hand-crafted那个87.18%的性能是融合多个描述子出来的，本文工作中的86.88%也是用的SVM融合，这个CDBN和hand-crafted孰优孰劣，至少从目前这个工作中，我们得不出结论。要知道Sun Jian CVPR2013的最新工作Blessing of Dimensionality: High-dimensional Feature and Its Efficient Compression for Face Verification，利用稠密采样的多尺度LBP特征在LFW数据集上已经到达了95%的逆天性能。

         Deep Convolutional Network Cascade for Facial Point Detection

       本文是CVPR2013汤晓欧课题组的最新工作，利用级联深度卷积网络进行面部特征点定位。

1. Deep Covolutional Network

        Deep Covolutional Network深度卷积神经网络，正是我们所熟悉的CNN（Covolutioanl neural network），CNN在上了世纪末年就已经成型[1]，现如今深度学习如日中天，加个Deep顿时就高端起来了。

     

           Figure.1 给出了Deep CNN的结构图，Deep CNN通过多层的卷积结构来提取层次特征(Hierarchical Feature)，并通过max-pooling层下采样获取不变性，最后通过最上层一个全连接的MLP(hidden layer + logistic regression)[2]来实现分类。

2. Cascaded Convolutional Network

     

          图2是整个系统的结构图，“Cascaded"就体现在这样的一个层次结构上，F1、EN1和NM1首先是一层粗的定位，后面再通过更加精细LE21等第二层检测器以及LE31等第三层检测器实现更为精细的位置修正。图中的黄色区域是每层检测器的扫描区域。注意第一层卷积网络的标识为Deep CNN，这表示第一层网络所采用的是Figure.1所示的深度结构。注意，LE21和LE22都是用来预测左眼中心的位置，区别在于扫描区域。

3. 实现细节

     Level 1-3的网络结构见下表：

     

      注意Level2-3所采用的网络结构均为S2。

      下表则给出了的Level 2-3各个卷积网络的扫描区域。

      

       从Table2可以清晰的看出LE21和LE22在扫描区域上的区别。

4. 实验

     Figure.4比较了多种网络结构，Figure.5显示了多层级联结构的优势。：

      

         

           

       Figure.6 在BioID和LFPW两个库上将本文方法与state-of-the-art方法进行了比较。可见本文方法的性能相比传统方法有较大提升（50% Accuracy improvement）。

      Figure.8给出了一些检测结果，本文作者用C++实现了该方法，检测速度为0.12second/per image，相当于8frames/s，客观的说，这个速度不算快，但是检测精度的确非常给力。

     

      

参考文献

[1] LeNet-5

[2] Multilayer Perceptron

 Deep Nonlinear Metric Learning with Independent Subspace Analysis for Face Verification

       这是一篇ACM MM的短文，名字取的也很吓人，实际上就是用stacked ISA来训练一个深度网络，然后再用测度学习做back propogation优化网络权重。

      

        经典的DBN用RBM来作为网络基本单元， 文章用ISA作为基本深度网络的基本单元，从原理上说，和Auto encoder非常像，不同支出是只有编码，另外加入了一个pooling uinits来增强不变性，ISA的形式化如下：

                  

       最终的深度结构见图2，特征在人脸的不同块上并不是一致分布的，因此文章在第一层网络设计中充分考虑了这一点，为每个块单独训练一个ISA。

        

      通过这个深度ISA网络，我们就可以获得原始输入的一个特征表示，在这个新的表示空间里，我们用测度学习的方法设计目标函数：

      

       通过公式（9）这个目标函数，我们可以获得W的梯度，从而可以完成对W的优化(fine tuning)。
       实验结果：

      

         Unresticted单个特征SIFT最高可以做到88.75%。不过表1的结果很有意思，fine-tuning没有带来明显的性能改善。ISA中的稀释约束显然是对性能贡献最大的。本文的deep metric learning是张皮，实质上就是一个基于深度ISA的稀疏特征学习方法。