CCBR2015青年论坛总结

1、人脸识别的相关介绍

（1）流程：人脸图像采集     人脸检测     人脸关键点定位     特征提取      分类器（人脸比对）。

（2）特征提取阶段的区别：

             DL之前：主要采用通过Gabor、LBP、SIFT等方法人工提取的局部特征，然后使用PCA等方法进行特征转换。

             DL时代：使用多层卷积自动提取更加抽象的特征。

（3）人脸数据库

           受控数据库：ORL、AR等。

          非受控数据库：LFW等。

          强监督：经过预处理的人脸数据。

         弱监督：实际情况下的人脸数据。

（4）活体检测是人脸识别应用中的一个非常重要的模块，其目的是判断真人操作，排除图片、视频的恶意攻击。

 

2、基于深度学习的人脸识别

2.1 网络结构

（1）DeepFace(Facebook): 8层网络，4030人的440万张图片，对3D人脸进行正面化预处理。（其具体使用的方法在博客中有具体的描述 http://dataunion.org/20010.html ）

（2）FaceNet(Googe): 22层网络，海量数据（800万人，2亿张图片），Triplet Loss（http://blog.csdn.net/tangwei2014/article/details/46788025）。

（3）Linkface公司使用多层的DCNN，进行性别、年龄、表情等的识别。

（4）弱监督人脸识别：对于来自网络爬虫、人工采集的百万级别的特征点标注不准确的数据的整理，提出了一种可行的方案，即首先通过机器自动筛选进行标注，然后进行人工辅助标注（玉米病害图像的类别的标注）。

（5）轻量级网络人脸识别的网络结构：

          Ø  4层卷积

          Ø  5层卷积+4层全连接

（6）SPAE（poster）：使用了有三个隐层的深度学习结构，调参使用共轭梯度法（优势：存储量小、稳定性高、不需要任何外来参数）。

2.2 小结

（1）对于深度学习的训练，大规模的数据集越来越重要。

（2）大规模数据的标注是一个具有挑战的难题，可通过弱监督的标注方法来解决。

（3）当数据量不足时，使用现有数据以及部分人工设计的特征共同进行训练。

（4）人脸识别使用CNN居多，一是CNN直接接受图像作为输入，二是其权值共享的网络结构降低了模型复杂度，减少了参数的数量。但是，对于结构化数据集，其输入相对于图像来说，是一种更有效的特征，使用CNN进行预测或者分类的效果如何，有待进一步考证。

（5）如果可以找到一个评价指标来判断该层提取的特征是否更加有效，则可以更好的确定层数。

 

3、京东客服机器人

介绍了JIMI的功能以及其使用深度学习等智能算法进行用户意图识别。其中使用word2vec（安装以及使用：http://blog.csdn.net/heyongluoyao8/article/details/43488765）将文本信息转化为向量或者矩阵。

 

4、指纹识别算法

主要介绍了从专利中学习一些比较先进的指纹识别算法。

注：上文图片是从相关论文中截取的。