人脸识别参考资料

人脸识别

人脸检测的几种方法可以参照

人脸识别中的数据集

可参考的网页链接
人脸相关数据集
人脸相关数据集
人脸相关数据集
论文讲解以及数据集下载

face_recongnition

简介：
人脸识别大致分为如下三个部分：

1. 人脸检测 face detection（检测照片中所有的人脸，使用直方图梯度直方图）
2. 人脸对齐 face alignment（使用Vahid Kazemi和Josephine Sullivan在2014年发明的方法。基本的想法是我们将在每个面上提出68个特定点（称为地标）
3. 人脸识别 face recognition，包括： face verification：两张图片相似程度。face identification： 在图片库中检索与当前图片相似度最高的图片。（使用resnet并结合triplet loss训练神经网络输出128维的数据编码人脸）
   扩展参考网页：https://www.cnblogs.com/Anita9002/p/7798907.html
   优点：容易部署，代码执行效率较高
   缺点：可扩展性差、对于亚洲人脸识别的准确度较低
   人脸识别是基于业内领先的C++开源库 dlib中的深度学习模型, 用LFW人脸数据集进行测试，有高达99.38%的准确率。但对小孩和亚洲人脸的识别准确率尚待提升。
   代码地址：https://github.com/ageitgey/face_recognition

arc_face

代码地址
这篇文章提出一种新的用于人脸识别的损失函数：additive angular margin loss，基于该损失函数训练得到人脸识别算法ArcFace（开源代码中为该算法取名为insightface，二者意思一样，接下来都用ArchFace代替）。ArcFace的思想（additive angular margin）和SphereFace以及不久前的CosineFace（additive cosine margin ）有一定的共同点，重点在于：在ArchFace中是直接在角度空间（angular space）中最大化分类界限，而CosineFace是在余弦空间中最大化分类界限，这也是为什么这篇文章叫ArcFace的原因，因为arc含义和angular一样。除了损失函数外，本文的作者还清洗了公开数据集MS-Celeb-1M的数据，并强调了干净数据的对实验结果的影响，同时还对网络结构和参数做了优化。总体来说ArcFace这篇文章做了很多实验来验证additive angular margin、网络结构设计和数据清洗的重要性，非常赞。

不管是SphereFace、CosineFace还是ArcFace的损失函数，都是基于传统的softmax loss进行修改得到的，因此公式1就是softmax loss损失函数。

在arcface 损失函数输出的基础上使用了focal loss

原文链接：https://blog.csdn.net/u014380165/article/details/80645489

facenet

谷歌人脸检测算法，发表于 CVPR 2015，利用相同人脸在不同角度等姿态的照片下有高内聚性，不同人脸有低耦合性，提出使用 cnn + triplet mining 方法，在 LFW 数据集上准确度达到 99.63%，在 youtube 人脸数据集上准确度 95.12%，比以往准确度提升了将近 30%。
facenet网络结构：

使用三元损失函数。

三元损失函数的公式表达：

整理后最终的表达式：

代码参考地址
论文介绍参考论文

insightface

代码参照地址

人脸识别损失函数的使用

参考网页