论文总结1-Deep Face Recognition

论文链接：http://www.robots.ox.ac.uk/~vgg/publications/2015/Parkhi15/parkhi15.pdf

两个目标：

1. 制作大量的人脸识别数据集（超过2百万），只需要极少数人力

2. 探索用于人脸识别和验证的不同网络结构，包括探索人脸对齐，度量学习，使用新的数据集训练。结果是，得到了一个更简单和高效的网络，并收获了接近SOTA结果。

数据集搜集：自动化+人工组合->制作数据集

 

网络训练：

1. 先作为一个分类任务，训练。然后分类层移除，网络输出可以作为身份验证的score，通过欧几里得距离来比较他们。通过在欧几里得空间的triple loss的训练任务，可显著提升效果。分类任务使训练容易和快。

2. 通过triple loss学习人脸嵌入特征：

将（1）训练得到的输出 ,L2归一化投影到一个D维超球面空间：

• 是投影操作，是训练中最小化经验triple loss学习的参数，注意，该层训练没有bias。

• ，是任意size的嵌入特征描述（文中设置L=1024）

Training:

A、B、C三个网络：

A：分类，最后一层FC输出为2622/1024。

2622：softmax N维分类

1024：triplet loss L维度量嵌入

B：增加2层conv

C：增加5层conv

A从头训，B C 在A的基础上添加额外FC层，随机初始化，继续训练。

在学习嵌入时，除最后一层FC用于识别投影训练，其余层冻结。

Testing:

计算嵌入描述 之间的欧几里何距离用于人脸验证。距离低于设定阈值，则认为是同一个人。这个阈值不是由上述的训练程序提供的，而是单独学习，以最大限度地提高验证准确性