吴恩达深度学习之卷积神经网络（四）人脸识别和神经功能转换

最新推荐文章于 2023-12-27 18:00:41 发布

水月清

最新推荐文章于 2023-12-27 18:00:41 发布

阅读量1.2k

点赞数

分类专栏：吴恩达深度学习

本文链接：https://blog.csdn.net/weixin_40849273/article/details/90039755

版权

本文详细介绍了人脸识别技术，包括验证问题与识别问题的区别，one-shot学习的概念，以及使用Siamese网络进行人脸识别的原理。文章还探讨了Triplet损失在训练网络中的应用，以及如何将人脸识别转换为二分类问题。此外，还介绍了神经风格转换，展示了深度卷积网络如何捕捉图像的内容和风格，以创造出艺术作品。

摘要由CSDN通过智能技术生成

1、什么是人脸识别

人脸识别就是识别人脸，比如手机人脸识别开机，人脸识别打卡等。

需要注意的是，人脸识别需要和活体检测（用来确认被识别的是一个活人）放在一起使用，这样才能避免用照片骗过手机或者打卡机，我们这里主要将人脸识别部分。

人脸识别相关术语：

验证问题：

输入：图片，名字/ID

输出：确认是否输入的信息与该人相符

识别问题：

假设有一个验证系统，其准确率为99%，假设在识别系统中有100个人需要识别，那么其很有可能会有一个人被识别错，如果需要识别的人很多，比如上班打卡，好几千人，那么如果其准确率还是99%，那么其有可能会有几十个人被识别错，这种错误率相当大，所以，识别系统需要做到更高的准确度，百分之99.9%以上才说得过去。

所以，识别问题比验证问题难得多。验证问题是1对1，而识别问题是多对多。

2、one-shot学习

one-shot -学习就是在很少样本的情况下训练好系统，然后做到很高的识别率。

上图所示，如果数据库中的训练集只有上图右边四张图片，我们要识别这四个人，如果来一个测试集我们能识别出。这就是one-shot学习。

我们如果用传统的卷积神经网络去做模型很麻烦：
1、它需要很多训练集，这不符合one-shot学习的少量训练集。

2、就算用卷积神经网络，如果我们在公司首先识别四个人并且训练好了模型，当公司新来一个人，模型的softmax部分就要修改，这样需要重新训练模型，很麻烦。

引入one-shot学习：

similarity函数：d（imag1，imag2）=degree of difference between images

试想，如果数据库中有image1，新来一张imag2，如果他们直接的不同值很小，就可以认为他们很相似，如下图所示，我们设置一个阈值，我们两张图片小于阈值，就认为这两张图片一样，这样就识别出来了，这也是一个验证问题。

如果要将其引入到识别问题：

如上图所示，输入一张图片与数据库中图片做similarity函数计算，我们发现新图片与左边第二张图片的差别值最小，差不多就认为新的图片就是左边第二个人。

同理，又来一人又做该处理。

所以one-shot学习的精髓就是学习similarity函数，该函数学习好了，就能计算出新来图片和数据库中图片的差别值，若差别值小于某阈值，就任务两张图片一样，若大于则不同，这就做到了识别。若把one-shot函数用到公司打卡里，我们也只需将新来员工放到数据库中，这样当新来员工打卡刷脸时，也能识别。