人脸验证与二分类（Face verification and binary classification）

来源：Coursera吴恩达深度学习课程

听着五月天的《仓颉》，五月的每一天都是五月天。

三元组损失（Triplet loss）是一个学习人脸识别卷积网络参数的好方法，还有其他学习参数的方法，让我们看看如何将人脸识别当成一个二分类问题（binary classification problem）。

另一个训练神经网络的方法是选取一对神经网络，选取Siamese网络，使其同时计算这些嵌入（embedding），比如说128维的嵌入，或者更高维，然后将其输入到逻辑回归单元，然后进行预测，如果是相同的人，那么输出是1，若是不同的人，输出是0。这就把人脸识别问题转换为一个二分类问题，训练这种系统时可以替换Triplet loss的方法。

最后的逻辑回归单元是怎么处理的？比如说sigmoid函数应用到某些特征上，关注编码之间的差异，即：

其中，下标k表示选择这个向量中的第k个元素。有一种做法，把这128个元素当作特征（features），然后把他们放入逻辑回归中，最后的逻辑回归可以增加参数w_i和b，就像普通逻辑回归一样。你将在这128个单元上训练合适的权重，用来预测两张图片是否是一个人，这是一个很合理的方法来学习预测0或者1，即是否是同一个人。

当然，上图中绿色标记（这两个编码取元素差的绝对值）也可以用卡方公式来代替（卡方平方相似度）：

• 参考论文：Yaniv Taigman, Ming Yang, Marc'Aurelio Ranzato, Lior Wolf (2014). DeepFace: Closing the gap to human-level performance in face verification

这些公式及其变形在这篇DeepFace论文中有讨论，之前也引用过。

如上图的红色标记，输入是一对图片（a pair of images），这是你的训练输入x，输出y是0或者1，取决于你的输入是相似图片还是非相似图片。和之前类似，上面这个神经网络拥有的参数和下面神经网络的相同，两组参数是绑定的，这样的系统效果很好。

这里有一个计算技巧（computational trick）可以帮助显著提高部署效果，如果是数据库中的图片，不需要每次都计算这个嵌入，可以提前计算好（pre-compute），这个预先计算的思想，可以节省大量的计算（save a significant computation），这个预训练的工作可以用在Siamese网路结构中，将人脸识别当作一个二分类问题，也可以用在学习和使用Triplet loss函数上。

如上图，总结一下，把人脸验证（face verification）当作一个监督学习（supervised learning），创建一个只有成对图片的训练集，输入不是三个一组，而是成对的图片（pairs of images），目标标签（target label）是1表示一对图片是一个人，目标标签是0表示图片中是不同的人。利用不同的成对图片，使用反向传播算法去训练神经网络，训练Siamese神经网络。处理人脸验证和人脸识别扩展为二分类问题，这样的效果也很好。

说明：记录学习笔记，如果错误欢迎指正！转载请联系我。