1.人脸检测
2.人脸配准
3.人脸属性识别
4.人脸特征提取
3.人脸验证
4.人脸识别
5.人脸检索
6.人脸聚类
人脸识别一般步骤
MTCNN人脸检测
之所以用三个网络是因为P,R,O的检测效果和网络复杂性逐步递增。把上一级拿到的检测窗口传到下一级网络
关键点检测用10个值 因为为了检测5个点,每个点都需要两个值,在实际检测时Pnet并不负责人脸关键点的检测,即使网络也有这个功能。
onet中会做人脸关键点检测
卷积应用与人脸识别
简单多分类的问题:
DeepID 深度学习应用于人脸识别
数据生成
网络结构
不包括水平翻转,训练60个网络
每个网络都可以得到160个特征,然后去做10000类的分类
训练人脸验证的网络
group表示特征的组数 60组
DeepID2
开始修改loss DeepID1相当于只在提升类间差距
损失函数
DeepID2+
DeepID3
FaceNet
引入了triplet loss
样本选择
半难就是少了一个间隔系数,使得负样本只比正样本距离大一点点
人脸识别案例
数据分析分析数据的分布和存在的问题(面部遮挡,光照问题等)
必读文章:
提出数据论文
改进函数论文
实时运行文章
人脸识别常用数据集
进行十折交叉验证
人脸识别算法优化
人脸配准就是根据人脸关键点的结果对人脸进行旋转和仿射变换