“人脸识别技术全面总结：从传统方法到深度学习”读后感

该文章总结了人脸识别中的难点和提高模型精度的方法，总结的内容具有通用性，故用此文做记录。

• 技术难点

文章中提到，无约束环境中，人脸识别需要应对头部姿势、年龄、遮挡、光照条件和人脸表情等难点问题；

项目的实际应用中都会遇到横向和纵向的难点，横向是周围因素对物体的影响：光照、遮挡；纵向是物体自身的影响：姿势、表情和年龄(人脸特有的属性)；

• 提高准确度的方法：训练数据、CNN 架构和损失函数

神经网络是实际应用中的工具，总的目的是希望NN可以提取出能够泛化到训练集中未曾出现过主体的特征。所以一般从训练数据、骨干网、损失函数三方面来提高模型的准确度。

• 数据集需要包含足够的变化，从而可以泛化到未曾见过的样本上。一般而言，为分类任务训练的 CNN 的准确度会随每类的样本数量的增长而提升。这是因为当类内差异（比如光照、姿势、面部表情、年龄等）更多时，CNN 模型能够学习更稳健的特定特征。另外，数据集也存在更宽和更深的概念，更宽指包含的分类主体多，更深指同一分类主体的图片多。如果图像数量相等，更宽的数据集效果更好，因为它包含更多类间差异，因而能更好地泛化到未曾见过的主体上；
• 基于不同骨干网的精度提升。主要是一系列分类的网络，如VGG、GoogleNet, ResNet,