Face++人脸识别:Learning Deep Face Representation

此文由Face++团队于2014年发表
论文链接:https://arxiv.org/abs/1403.2802

1.研究问题

使用深度神经网络提取特征,提出金字塔神经网络。

2.此文工作

2.1 金字塔神经网络

这里写图片描述
网络结构(论文里没有讲清楚具体细节,只给了大概结构):
 网络为Siamese network
 输入为不同的图像patch, 也就是不同的人脸部位
 整个网络由很多个level 的网络组成
 每个level 上的网络由共享的层和不共享的层组成,共享的层由之前的level 训练得到,此level 只训练不共享的层
 每个level 有多个神经网络,它们对应于不同的patch 但是它们的第一层的参数是相同的
 最后的特征为所有网络输出连接组成(训练时),这样的特征为多尺度特征,也是过完全特征,但是文中说明了过完全对结果有好处,而且特征可以通过PCA 降维,降维后的特征分类识别能力也很强(即使降到8维,正确率也能达到80%以上)
 检测时使用的特征是最后一个level 的输出

采用金字塔网络的原因:
 加快网络训练
 获得多尺度人脸特征
网络训练的损失函数:
这里写图片描述
目标:使同一个人的距离相近,不同人的距离相远。

网络的训练方法:
这里写图片描述

2.2 实验结果

准确率(LFW)97.27%
这里写图片描述
训练时间与准确率:(证明他们的方法可以加快训练)
这里写图片描述

3总结

优点:定义了一个新的神经网络的结构:金字塔神经网络,并且人脸识别效果相较于传统方法有巨大提高。文章最后总结:由于人脸是高度结构化的图片,所以可以应用金字塔神经网络,但是普通物体具有很大的可变性,不太好应用。
缺点:没有说清楚网络结构和参数,也没有讲清楚训练数据集的来源与大小。

  • 0
    点赞
  • 5
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值