人脸识别概述[L-softmax | 人脸验证 | DeepFace | FaceNet | Triplet loss]

思维导图

在线的导图浏览：人脸识别思维导图

疑问

用softmax分类做人脸识别，怎么应用呀

在闭集上人数是定的，然后用softmax按照分类来训练模型。
在开集上用softmax之前的作为特征，用来比较特征向量之间的距离来确定是否为同一个人。

概念区分

人脸检测：是目标检测领域，给一张那个图片，框出里面人脸的位置
人脸对齐：是关键点检测，由人脸检测得到的人脸区域，进行关键点回归，得到描述五官的若干个关键点。
人脸识别：又包括人脸验证（一对一验证是否是同一个人）和人脸辨识（一对多，从一个数据库里搜索是否有这个人）

主流方法

人脸识别的流程：

首先，人脸检测器用于定位人脸，然后利用人脸对齐得到一个规范化的人脸，再经过活体检测，最后是人脸识别的方法。训练时选择一种网络结构和损失函数得到一个判别性强的模型，然后用于测试。
主要的思路：
在人脸识别领域，CNN网络结构主要用做表示学习，提取人脸的一个特征向量表示。随着新的backbone的出现而更新。关键的核心是怎么样得到一个具有判别性的向量表示，也就是说怎么让同一个人的不同图片的向量表示尽可能接近，而不同人的图片之间的向量表示尽可能远。所以人脸识别最重要的就是如何设计损失函数。目前，人脸识别已经超过人类水平，接近饱和了。
LFW数据集上的方法性能&架构&损失函数

损失函数

Softmax loss

softmax loss实际上就是softmax + 交叉熵损失

其中$f$一般是最后的全连接层的输出 f = W T x f=W^Tx f=<