人脸识别基础_bless of dimensionality-CSDN博客

人脸识别算法一览

最近对人脸识别感兴趣，网上找了个阅读清单一点点开始看

《Blessing of Dimensionality: High-dimensional Feature and Its Efficient Compression for Face Verification》，简称high LBP（0.9517），深度学习算法前比较经典的算法。对图像分块，各种overlap，最后把LBP特征堆积起来（维度10W+），经行LDA、PCA处理，然后计算距离。
Joint Basyesian：《 Bayesian Face Revisited: A Joint Formulation 》简称Joint Bayesian（0.9242），用的是最大化后验概率的方法，其中公式笔者记得以前推了好久，不详细介绍。目前有很多在深度学习提取特征之后继续用Joint Bayesian提高的方法。
《 Deepface: Closing the gap to humal-level performance in face verification 》，简称DeepFace（0.9735）。FaceBook基于3D人脸模型的设计，400W的人脸训练数据对当时来说也是属于海量数据了，也让业界清晰的认识到，来吧，推数据吧！
DeepID三部曲系列，重点是《DeepID3: Face Recognition with Very Deep Neural Networks》，简称DeepID3（0.9745），用到了VGG和googleNet的网络结构。
《 FaceNet: A Unified Embedding for Face Recognition and Clustering 》简称FaceNet，FaceNet的核心思想来说就是triplet loss。
《 A Discriminative Feature Learning Approach for Deep Face Recognition 》简称Center Loss，这个也是经过很多人实验认证确实work的一种方式。
《 Large-Margin Softmax Loss for Convolutional Neural Networks 》简称L-Softmax，在softmax上进行处理，目的是让不同类分的更开。
《 SphereFace: DeepHypersphereEmbeddingforFaceRecognition 》简称A-Sodtmax，是在L-Softmax上的改进。A-softmax loss简单讲就是在large margin softmax loss的基础上添加了两个限制条件||W||=1和b=0，使得预测仅取决于W和x之间的角度。
最重要的ResNet笔者没有单独列出来，毕竟ResNet是通杀的，笔者就不刻意介绍。介绍了这么多，其实笔者认为最重要的还是数据。大量的数据加上ResNet加上center loss 或是其他loss实验，效果不会差，剩下的细节就是各位在炼丹中的经验和trick了。
《Pose-Robust Face Recognition via Deep Residual Equivariant Mapping》新研究提出深度残差等价映射：由正脸加强侧脸识别效果。由于类别样本不均衡，人脸检测只在正脸识别上有优秀的表现，它们很难识别侧脸样本。香港中文大学和商汤科技等研究者提出了一种在深度表示空间中通过等变映射在正脸和侧脸间建立联系的方法，该方法的计算开销较少，但可以大大提升侧脸识别效果。
《CosFace: Large Margin Cosine Loss for Deep Face Recognition》面向深度人脸识别的增强边缘余弦损失函数设计。人脸识别的核心任务包括人脸验证和人脸辨识。然而，在传统意义上的深度卷积神经网络的softmax代价函数的监督下，所学习的模型通常缺乏足够的判别性。
为了解决这一问题，近期一系列损失函数被提出来，如Center Loss，L-Softmax，A-Softmax。所有这些改进算法都基于一个核心思想:增强类间差异并且减小类内差异。
在本文中，作者从一个新的角度来解决这个问题，并设计了一个新的损失函数，即增强边缘余弦损失函数(LMCL)。更具体地说，通过对特征向量和权向量的L2归一化，把softmax损失函数转化为余弦损失函数，这样做消除了半径方向的变化，并在此基础上引入了一个余弦边界值m来进一步最大化所学习的特征在角度空间的决策间距。因此，采用这种归一化和增强余弦决策边距的方法，能够更有效的起到最大化类间差异和最小化类内差异的作用。