【FaceNet】人脸识别模型之FaceNet框架

Easy.miclover

于 2020-05-02 19:37:02 发布

阅读量1.9k

点赞数

分类专栏： # 深度学习框架

本文链接：https://blog.csdn.net/miclover_feng/article/details/105894321

版权

深度学习框架专栏收录该内容

9 篇文章 0 订阅

订阅专栏

论文：FaceNet: A Unified Embedding for Face Recognition and Clustering

来源：CVPR 2015

4.1 摘要

我们的方法使用一个经过训练的深度卷积网络来直接优化嵌入本身，而不是像以前的深度学习方法那样使用一个中间的瓶颈层。其网络结构灵活性较大可以使22层的Zelier&Fergus的网络，也可以使用现在在物体识别里面效果比较好的inception网络。其主要特点采用三元对之间的距离构建损失函数，每一个人脸输出为128维度，作为表征特征。

4.2 方法

Batch:是指输入的人脸图像样本；
Deep Architecture:作者使用了两种模型
1. 22层的Zelier&Fergus的网络
2. Inception网络
L2:是指特征归一化（使其特征的|fx|2=1。这样所有图像的特征都会被映射到一个超球面上)
Embeddings:就是前面经过深度学习网络，L2归一化后生成的特征向量；
Triplet Loss:就是有三张图片输入的Loss;

Triplet loss原理

上述式子可以写成损失函数：L =

Triplet Selection(generate)

论文中指出，如果我们按照上述损失函数计算的话，那么我们穷举的这个三元组集合是非常大的。例如：person sum =100，每人20张照片，那么三元组集合大小为：总图片数*每个图片类内组合*每个图片类间组合，即：

T =（100*20）*19*（20*99）

这样的复杂度是：O(T)=N^2。如果类别继续增大，训练起来会更加困难。因此作者解释可以选择那些最困难的图片来组成三元组，具体的来说，选出同一个人中最不像他的那张（hard positive∈19图像），在其他的认重选出最像他的那张（hard negative∈20*99图像）的两张图片组成三元组。

那么如何进行挑选呢？在整个训练集上寻找argmax和argmin是困难的。如果找不到，会使训练变得困难,难以收敛，例如错误的打标签和差劲的反映人脸。因此需要采取两种显而易见的方法避免这个问题：offline和online方法，具体的差别只是在训练上。

　　Offline: 每隔n步离线生成三元组，使用最新的网络模型的检查点并计算数据子集上的argmin和argmax。参考这样理解：训练网络之前把样本分成 N 份，分别计算每一份样本的最大值和最小值（anchor 与 positive 欧式距离最大值，与negative 欧式距离最小值，选出 hard-positive/negative，下文的最大值、最小值都是这个意思），然后依次用这些数据训练网络，比如从第一份数据开始，训练完成后保持模型的参数，然后这些参数作为第二份数据训练模型时的初始化参数，依次类推。

　　Online: 在mini-batch上，选择不好的正(类内)/负(类间)训练模型(一个mini-batch可以训练出一个子模型)。论文中选择Sample people为1800张照片数。

在具体的代码中设置参数如下：

Deep Convolutional Networks

NN1	ZF-Net(Zeiler&Fergus)	在前几个卷积层加入了11d的卷积层，有效的减小了参数的个数，140M个参数，1.6B次浮点计算
NN2	GooleNet	1.使用的是L2池化而不是max池化。 2.池化的卷积核大小一般是33(除了最后那个平均池化)，并且并行于每个输入模块里的卷积模块。如果在11,33,55池化后有维度下降，那么把它们连接起来作为最后的输出。7.5M个参数，1.6B次浮点计算
NN3	GooleNet	与NN2结构一样，但输入图片大小只有160*160。这样极大幅度的降低了对CPU的需求
NN4	GooleNet	与NN2结构一样，但输入图片大小只有96*96。这样极大幅度的降低了对CPU的需求，285M次浮点运算
NNS1	剪裁后GooleNet	26M个参数，220M次浮点计算
NNS2	剪裁后GooleNet	4.3M的参数和20M的浮点运算量