deeplearning.30人脸识别

人脸验证

输入一张图片，以及某人的ID或者名字，系统要做的是验证是否图片上的人和信息是否匹配。进行识别时，面临的问题是一次学习问题，数据库中一个图片和摄像拍到的图片，进行对比，通过数据库中一个训练样例来进行机器学习。解决方法是学习‘similarity’函数，即输入两张图片，获得这两张图片的差异值，来验证是否两张照片是同一个人。
设置一个超参数τ，差异值小于τ则表示两张图是同一个人。

所以数据库中每个人只有一张照片，当进行人脸识别时，拍到新的照片与数据库中的照片依次进行比对，使用上述函数，来确定是哪一个人。

Siamese network

使用Siamese network进行实现上述的d(similarity)函数。我们经常看到的是下图所示的卷积网络，输入一个图，经过卷积运算最后得出特征向量。

在输入一张图，使用该网络，最后得到该图的特征向量，那么我们把此时的两个特征向量命名为f（x1）和f（x2），要判断是否是同一人，d函数=f（x1）-f（x2）的范数。

Triplet损失

要想得到人脸识别神经网络的一些优质参数，像上文提到的人脸的特征向量，我们需要定义一个三元组损失函数然后应用梯度下降。为什么叫三元组损失，因为是同时看三张图片，一张实验图片，一张相似图片，一张差异很大的图片。我们假设实验图片是A，相似图片是P，差异图片是N。期望是f（A）和f（N）之间的距离很小，即两图片的特征向量差异很小。可以用下式进行表达。

但是一种特殊情况，当所有图片的特征向量都为0时，也满足上述公式，所以要解决这个问题需要对上述公式进行变形。这里添加的α是一个超参数，术语也叫做间隔。

现在定义损失函数，基于三元组的，加一个max函数，意思是只要括号内左侧小于0，那么该损失函数的值L就等于0，所以就满足了我们需要绿线部分小于0的要求。

整个网络的成本函数J定义应为单个三元组损失的总和。

面部验证与二分类方法

另一种进行人脸验证的方法是选取一对神经网络，如Siamese网络，使其同时计算特征向量，然后将两个特征向量输入到逻辑回归单元，然后进行预测，如果是同一个人则输出1，不是同一个人则输出0.这就转换成了一个二分类问题。

这里的y是怎么预测的，可以通过sigmoid函数，计算特征向量中，对应元素的差值。并可以增加相应的权重和偏差，当然这两个参数是需要进行训练。