主要思路参考：
Face verification VS Face recoginition
对于人脸验证，我们完全可以将之看作为一个二分类问题，但人脸识别发展到现在，我们依然用人脸识别的方法来解决。
Encoder
- 我们输入一张图片进入encoder，经过一系列网络，输出一串独特密码，这串密码就编译了这个人。
- 我们在进行比较的时候，将当前的图片经过encoder编码得到一串密码，将这串密码和数据库中所有的密码比较。如果 f ( k e y , k e y i d a t a b a s e ) ≤ α f(key,key_{i_{database}}) \leq\alpha f(key,keyidatabase)≤α，我们就认为此人就是数据库中的这个人。
Triplet Loss
那问题来了：那我们如何训练这个网络呢（Encoder）？
我们将数据三个分为一组。
（
A
n
c
h
o
r
，
P
o
s
i
t
i
v
e
,
N
e
g
a
t
i
v
e
）
A
n
c
h
o
r
表
示
我
们
需
要
识
别
的
这
个
人
，
P
o
s
i
t
i
v
e
表
示
该
人
的
另
一
张
图
片
，
N
e
g
a
t
i
v
e
表
示
另
一
个
人
的
图
片
。
（Anchor，Positive,Negative）\\ Anchor表示我们需要识别的这个人，Positive表示该人的另一张图片\\，Negative表示另一个人的图片。
（Anchor，Positive,Negative）Anchor表示我们需要识别的这个人，Positive表示该人的另一张图片，Negative表示另一个人的图片。
我
们
定
义
T
r
i
p
l
e
t
L
o
s
s
：
M
a
x
(
∣
∣
(
k
e
y
A
n
c
h
o
r
)
−
(
k
e
y
P
o
s
i
t
i
v
e
)
∣
∣
−
∣
∣
(
k
e
y
A
n
c
h
o
r
)
−
(
k
e
y
N
e
g
a
t
i
v
e
)
∣
∣
+
α
,
0
)
我们定义Triplet Loss：\\ Max(||(key_{Anchor}) - (key_{Positive})|| -||(key_{Anchor})\\ - (key_{Negative})|| + \alpha ,0)
我们定义TripletLoss：Max(∣∣(keyAnchor)−(keyPositive)∣∣−∣∣(keyAnchor)−(keyNegative)∣∣+α,0)
我们在优化Encoder的时候，我们需要同一个人的不同照片经过Encoder编译后的key差距尽可能小，同时希望不同人的图片经过编译后key差距尽可能大。
至于中间的神经网络，可以自行编写，甚至可以使用之前的图片分类的VGG或者ConvNet。
扫一扫
3250
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
