Tensorflow2.0—FaceNet网络原理及代码解析（一）--- 模型原理及骨干网络

Tensorflow2.0—FaceNet网络原理及代码解析（一）— 模型原理及骨干网络

FaceNet其实就是一个前言所诉的通用人脸识别系统：采用深度卷积神经网络（CNN）学习将图像映射到欧式空间。空间距离直接和图片相似度相关：同一个人的不同图像在空间距离很小，不同人的图像在空间中有较大的距离，可以用于人脸验证、识别和聚类。在800万人，2亿多张样本集训练后，FaceNet在LFW数据集上测试的准确率达到了99.63%，在YouTube Faces DB数据集上，准确率为95.12%。

代码：FaceNet

一、算法原理

上图是facenet的大体框架示意图，可以看到，一个batch的训练图片经过一个黑盒子进行特征提取。其中，DEEP ARCHITECTURE这个部分一般是一个比较成熟的backbone，最早的FaceNet采用两种深度卷积网络：经典Zeiler&Fergus架构和Google的Inception v1。最新的FaceNet进行了改进，主体模型采用一个极深度网络Inception ResNet -v2，由3个带有残差连接的Inception模块和1个Inception v4模块组成。在代码实现中通常使用mobilenet或者inception_resnetv1作为骨干网络。
经过了特征提取之后进行L2标准化，然后得到一个128维的向量。
最后，进行Triplet loss计算。

---

下面，按照每个模块进行介绍~

二、骨干网络

在这里，我们选取mobilenet作为骨干网络。
在代码中，backbone = "mobilenet"，然后代入model = facenet(input_shape, num_classes, backbone=backbone, mode="train")，mobilenet实现的代码全部在nets/mobilenet.py中。

def _conv_block(inputs, filters, kernel=(3, 3), strides=(1, 1)):
    x = Conv2D(filters, kernel,
               padding='same',
               use_bias=False,
               strides=strides,
               name='conv1')(inputs)
    x = BatchNormalization(name='conv1_bn')(x)
    return Activation(relu6, name='conv1_relu')(x)

这是典型的卷积-BN-激活模块，没啥好说的~

def _depthwise_conv_block(inputs, pointwise_conv_filters, depth_multiplier=1, strides=(1, 1), block_id=1):
    x = DepthwiseConv2D((3, 3),
                        padding='same',
                        depth_multiplier=depth_multiplier,
                        strides=strides,
                        use_bias=False,
                        name='conv_dw_%d' % block_id)(inputs)

    x = BatchNormalization(name='conv_dw_%d_bn' % block_id)(x)
    x = Activation(relu6, name='conv_dw_%d_relu' % block_id)(x)

    x = Conv2D(pointwise_conv_filters, (1, 1),
               padding='same',
               use_bias=False,
               strides=(1, 1),
               name='conv_pw_%d' % block_id)(x)
    x = BatchNormalization(name='conv_pw_%d_bn' % block_id)(x)
    return Activation(relu6, name='conv_pw_%d_relu' % block_id)(x)

该模块不同于上述模块，是因为其中包含了一个DepthwiseConv2D，他与普通的Conv2D的区别就是：conv2d在每一深度上卷积，然后求和，depthwise_conv2d卷积，不求和。
具体的可以参考：https://blog.csdn.net/u010879745/article/details/108043183

def MobileNet(inputs, embedding_size=128, dropout_keep_prob=0.4, alpha=1.0, depth_multiplier=1):
    # 160,160,3 -> 80,80,32
    x = _conv_block(inputs, 32, strides=(2, 2))
    
    # 80,80,32 -> 80,80,64
    x = _depthwise_conv_block(x, 64, depth_multiplier, block_id=1)

    # 80,80,64 -> 40,40,128
    x = _depthwise_conv_block(x, 128, depth_multiplier, strides=(2, 2), block_id=2)
    x = _depthwise_conv_block(x, 128, depth_multiplier, block_id=3)

    # 40,40,128 -> 20,20,256
    x = _depthwise_conv_block(x, 256, depth_multiplier, strides=(2, 2), block_id=4)
    x = _depthwise_conv_block(x, 256, depth_multiplier, block_id=5)

    # 20,20,256 -> 10,10,512
    x = _depthwise_conv_block(x, 512, depth_multiplier, strides=(2, 2), block_id=6)
    x = _depthwise_conv_block(x, 512, depth_multiplier, block_id=7)
    x = _depthwise_conv_block(x, 512, depth_multiplier, block_id=8)
    x = _depthwise_conv_block(x, 512, depth_multiplier, block_id=9)
    x = _depthwise_conv_block(x, 512, depth_multiplier, block_id=10)
    x = _depthwise_conv_block(x, 512, depth_multiplier, block_id=11)

    # 10,10,512 -> 5,5,1024
    x = _depthwise_conv_block(x, 1024, depth_multiplier, strides=(2, 2), block_id=12)
    x = _depthwise_conv_block(x, 1024, depth_multiplier, block_id=13)
    
    # 1024
    x = GlobalAveragePooling2D()(x)
    # 防止网络过拟合，训练的时候起作用
    x = Dropout(1.0 - dropout_keep_prob, name='Dropout')(x)
    # 全连接层到128
    # 128
    x = Dense(embedding_size, use_bias=False, name='Bottleneck')(x)
    x = BatchNormalization(momentum=0.995, epsilon=0.001, scale=False,
                           name='BatchNorm_Bottleneck')(x)
 
    # 创建模型
    model = Model(inputs, x, name='mobilenet')

    return model

上述就是mobilenet的网络结构，看得出来，实现起来很简洁明了，（160,160,3）的输入图片经过了DEEP ARCHITECTURE之后生成了一个（5,5,1024）的feature map，然后进行了一次GlobalAveragePooling2D（全局平均池化），GAP介绍在这个blog我做了简单的GAP的介绍。GAP层将（5,5,1024）变成了（1,1,1024），再做一次Dropout，最后连接一个全连接层，让其变为长度是128的向量。

    if mode == "train":
        #-----------------------------------------#
        #   训练的话利用交叉熵和triplet_loss
        #   结合一起训练
        #-----------------------------------------#
        logits = Dense(num_classes)(model.output) #（None,10575）
        softmax = Activation("softmax", name = "Softmax")(logits) #（None,10575）
        
        normalize = Lambda(lambda x: K.l2_normalize(x, axis=1), name="Embedding")(model.output) #(None,128)
        combine_model = Model(inputs, [softmax, normalize])
        return combine_model

最后，将经过backbone生成的（None，128）向量连接一个全连接层和一个softmax激活。另外，将（None，128）进行L2标准化操作。