DeepFace: Closing the Gap to Human-Level Performance in Face Verification

借用一句某个博客大佬的原话，“如果您不小心检索到了这篇博客，对您造成的困扰请见谅”！！本篇博客单纯是我自己的记录而已。如有错误，欢迎批评指正，反正我也是不会改的~~~

Abstract

            摘要简明扼要的介绍了他们的模型，参数情况，如何训练，应用场景，训练效果等！！！

        为了运用分段仿射变换并且从九层深度神经网络中导出人脸表示，我们通过使用精确的3D人脸模型重温了人脸对齐和人脸表示的步骤；

 

        因此我们在迄今为止最大的人脸集（属于4000个身份并带有标签的四百万张人脸图片集）中训练这个网络。在无限制环境的情况下，学习过的人脸表示将基于模型的精确的人脸对齐与大型人脸数据库相结合，对人脸进行了效果显著的概括（即使只使用一个简单的分类器，也能得到很好的效果）

 

1. Introduction

   

        尤其对于人脸，学习过的网络以一种鲁棒的方式获取人脸外观的成功高度依赖于快速3D对齐的步骤。网络结构是基于对齐已完成、每个人脸区域在像素级别被固定的设想构造的。因此该网络结构才有可能不需要像许多其他网络一样，应用一些卷积层来完成这部分工作，直接从未处理过的像素的RGB值中进行学习。

    总的来说，我们做出了以下贡献： 

        1. 高效深度神经网络结构的发展和为了获得对其他数据集也可以很好的归纳的人脸表示而对有标签的大型人脸集产生影响的学习方法。 

        2. 一个高效的基于3D人脸模型的人脸对齐系统。 

        3. 在LFW数据集与YTF数据集中显著推进了技术状态，几乎达到了人类的表现水平，减少了超过50%的错误率。

1.1. Related Work

2. Face Alignment

        在这篇论文中，我们描述了一个包含基于基准点可分析3D人脸模型的系统，该系统被用作扭曲一个探测到的人脸片段成为一个正面的3D模型（frontalization）。

        与近期的很多对齐文献相似的是，我们的对齐方法是基于使用基准点探测器来引导对齐过程的，我们使用了一个相对来说简单的基准点探测器，但是将其运用到一些迭代过程中使其输入被较好的矫正。

        我们使用了一个相对来说简单的基准点探测器，但是将其运用到一些迭代过程中修正输出。在每一次迭代中，基准点被一个从图像描述符中得到训练来预测点布局支持向量回归器（SVR）所提取。我们的图像描述符基于LBP直方图（LBP Histograms），但是其他的特征也可以被考虑到。通过使用导出的相似矩阵来将图像转换为一张新的图像，我们可以在一个新的特征空间再一次运行基准点探测器进而矫正定位。

 

3. Representation

 

补充：每一个局部连接层得输出单元都被一个非常大得patch的输入单元所影响，这也证明了局部连接层的使用是非常合理的。例如~~~~

 

4. Verifification Metric

        随着监督方法相对于无监督的方法显现出明显的优势，验证两个输入实例是否属于同一个类（身份）在无限制人脸识别领域已经被广泛研究。通过训练目标域的训练集，（监督方法）能够通过对特征向量（或分类器）进行微调来更好地实现对数据集的特定分配。例如，LFW数据集中有大概75%的男性，大多是被专业摄像师拍摄的名人。正如[5]所证明的，在不同域分配的情况下训练和测试不仅会对结果产生显著的影响，而且为了得到更好的泛化和表现，还要求对人脸表示（或分类器）进行更进一步的微调。然而，调整一个模型以适应一个相对较小的数据集会减少其对于其他数据集的通用性。在本次工作中，我们致力于学习一个对若干数据集都能通用的无监督矩阵。我们的无监督相似性是简单存在与成果内部两个标准化的特征向量之间的。我们也在监督矩阵（χ2  similarity 和Siamese网络）中进行了实验。

 

4.1. Weighted χ2 distance

 

4.2. Siamese network

        这里有一个问题：这个α的参数怎么训练的？？，吴恩达老师讲这个siamese网络的时候，好像没有讲到这个参数。但是这个论文里有这个参数，而且明确指出只有在（we enable training for only the two topmost layers.）最后面两个层有训练。

 

5. Experiments

 

略~~

 

 

部分翻译参考：https://blog.csdn.net/qq_30019237/article/details/52303351