人脸识别总结（附开源项目代码与各大数据集下载路径）

人脸识别总结

概要

人脸识别在深度学习领域里算是一项较为成功的应用，在日常生活中，经常可以见到人脸识别的设备，如人脸考勤机，各大交通站点的闸机，移动支付等。本人在从事人脸识别算法开发的短短一年时间里，也关注了不少论文和大佬们，对相关的技术发展也有了一些皮毛上的了解，在这里记录一下。本文的主要结构如下：

• 网络模型
• LOSS
• 数据集

网络模型

深度学习发展至今，主流的 CNN 网络有 VGG, GoogleLeNet， ResNet， ResNeXt， DenseNet 等。其中，基于 ResNet 的开源人脸识别模型最为常见，如 InsightFace，wy1iu/sphereface，ageitgey/face_recognition 等。

本文主要介绍一下ResNet， 该模型结构是何凯明大神的团队提出的，用于解决深度学习模型因深度加深而导致的“退化”问题。由于网络深度增加后，梯度消失或者爆炸的问题就会接踵而来，因此模型达不到很优的收敛效果。关于梯度爆炸与消失的问题，可以参考博客详解机器学习中的梯度消失、爆炸原因及其解决方法。针对这个问题，作者提出了一个残差（Residual）的结构，如下：

对于一个简单的 block ， 当输入为 x 时其学习到的特征记为 H(x) ，作者通过增加了一个恒等映射（identity mapping），将所需要学习的 H(x) 转换成学习残差 F(x)=H(x)-x 。这一想法源于图像处理中的残差向量编码，通过一个reformulation，将一个问题分解成多个尺度直接的残差问题，能够很好的起到优化训练的效果。除了上图中常规的残差结构外，针对于更深层的 ResNet 网络，还有如下的变体：

该结构的目的主要是为了降低模型的计算和参数量，使模型具有深层的语义表达能力的同时，兼具较快的速度，有利于实际应用需求。常见的 ResNet 网络结构有 18， 34， 50， 101， 152 层，详细如下：

从该表可以看出，ResNet 的结构可以分为 conv1，conv2_x，conv3_x，conv4_x，conv5_x ，共 5 个部分，每个部分的残差结构数目各不相同。关于其层数计算，拿 101 层的网络为例，每层的 block 数目为 conv2_x:3， conv3_x:4，conv4_x:23，conv5_x:3，共计 33 个 block， 再加上 conv1 和模型最后的 FC 层，为 101 层网络。

以下是收集的有关 CNN 网络的论文和博客等资料。

• 论文资料

• VGG: Very Deep Convolutional Networks for Large-Scale Image Recognition
• GoogLeNet: Going Deeper with Convolutions
• ResNet: Deep Residual Learning for Image Recognition
• DenseNet:Densely Connected Convolutional Networks

• 博客资料

• 深度学习----CNN几种常见网络结构及区别
• DenseNet：比ResNet更优的CNN模型
• 一文简述ResNet及其多种变体

LOSS

人脸识别中所用的 LOSS 真的是百花齐放，从最基础的 SoftMax 到加入各种 trick 的 ArcFace， 从欧氏距离到余弦距离，从无 Margin 到加入 Margin。整理了一下，大概有如下几种：

• L2-softmax: L2-constrained Softmax Loss for Discriminative Face Verification

  原始的 softmax 未优化提取的人脸特征，而 L2-softmax 添加了一个 L2 约束，使得类内的距离减小。实验结果：在 LFW 上的准确率达到 99.78%， YTF 上的准确率为 96.08%。