人脸验证：Lightened CNN

《A Lightened CNN for Deep Face Representation》论文解读

---

本文来自中科院，原文地址为：

https://arxiv.org/abs/1511.02683

代码地址：

https://github.com/AlfredXiangWu/face_verification_experiment

正如前面《人脸验证：DeepID》博客所说，人脸验证任务中需要关心两个问题：一个是人脸特征提取，另一个就是如何判断是不是同一个人。特征提取的方法有LBP等传统方法，也有DeepID这样的深度学习方法。判断是不是同一个人的方法简单的有余弦相似度，复杂的有Joint Bayesian。本文主要的内容集中于人脸特征提取，就是使用Lighten CNN提取特征。

概述

为了得到更好的准确度，深度学习的方法都趋向更深的网络和多个模型ensemble，这样导致模型很大，计算时间长。本文提出一种轻型的CNN，在取得比较好的效果同时，网络结构简化，时间和空间都得到了优化，可以跑在嵌入式设备和移动设备上。

相关研究

用CNN进行人脸验证分为三种。一种是使用人脸分类的任务训练CNN提取特征，然后用分类器判断是不是同一个人。第二种是直接优化验证损失。第三种是将人脸识别和验证任务同时进行。本文框架是属于第一种。

网络结构

本文网络结构如上图所示，和DeepID一样，在训练时使用人脸分类的任务进行训练，最后得到256维的人脸特征。具体而言，网络结构如下，文章提出了两种结构，网络的主要结构是一样的，文章更多是集中在了第一种结构。

网络最后一层是Sofmax层，实现分类的目的，fc1的结果就是人脸的特征。

MFM激活函数

本文使用了一种称为MFM的激活函数，这个结构也很简单。在输入的卷积层中，选择两层，取相同位置较大的值。

写成公式：

fkij=