1. 首页
  2. TensorFlowNews

重磅 | 最新人脸检测&识别的趋势和分析(文末有福利)

点击上方“磐创AI”,选择“置顶公众号”

精品文章,第一时间送达

重磅 | 最新人脸检测&识别的趋势和分析(文末有福利)

转载自:计算机视觉战队,未经允许不得二次转载

😊

最新深度网络用语人脸的部分介绍与分析

DeepID网络结构

DeepID是第一代,其结构与普通的卷积神经网络基本相同,结构图例如以下:

重磅 | 最新人脸检测&识别的趋势和分析(文末有福利)

该结构与普通的卷积神经网络框架的结构很相似。不同点是,在隐含层,也就是倒数第二层的时候,与Convolutional layer4和Max-pooling layer3相连,鉴于卷积神经网络层数越高感受野越大的特性,这种连接方式能够既考虑局部人脸精细特征,又考虑全局的整体特征。

· 实验结论 ·

重磅 | 最新人脸检测&识别的趋势和分析(文末有福利)

  • 使用Multi-scale Patches的convnet比仅仅使用一个只有整张人脸的patch的效果要好;

  • DeepID自身的分类错误率在40%到60%之间震荡,尽管较高,但DeepID是用来学习特征的,并不需要关注自身分类错误率;

  • 使用DeepID深度学习网络的最后一层softmax层作为特征表示,效果非常差;

  • 随着DeepID的训练集人数的增长,DeepID本身的分类正确率和LFW的验证正确率都在添加。


DeepID2

DeepID2相对于DeepID有了较大的提高,其主要原因在于在DeepID的基础上加入了验证信号

详细来说,原本的卷积神经网络最后一层softmax使用的是逻辑回归(Logistic Regression)作为最终的目标函数,也就是识别信号;但在DeepID2中,目标函数上加入了验证信号,两个信号使用加权的方式进行了组合。

· 两种信号及训练过程· 

识别信号公式例如以下:

重磅 | 最新人脸检测&识别的趋势和分析(文末有福利)

验证信号公式例如以下:

重磅 | 最新人脸检测&识别的趋势和分析(文末有福利)

因为验证信号的计算需要两个样本,所以整个卷积神经网络的训练过程也就发生了改变,之前是将所有数据切分为小的batch来进行训练,但如今则是每次迭代时随机抽取两个样本,然后进行训练。

· 实验结论 ·

对lambda进行调整,也即对识别信号和验证信号进行平衡,发现lambda在0.05的时候最好。使用LDA中计算类间方差和类内方差的方法进行计算。得到的结果例如以下:

重磅 | 最新人脸检测&识别的趋势和分析(文末有福利)

能够发现,在lambda=0.05的时候,类间方差几乎不变,类内方差下降了非常多,这样就保证了类间区分性,而降低了类内区分性。

DeepID2+

DeepID2+有例如以下贡献,①继续更改了网络结构;②对卷积神经网络进行了大量的分析,发现了几大特征。包含:

  • 神经单元的适度稀疏性,该性质甚至能够保证即便经过二值化后,仍然能够达到较好的识别效果;

  • 高层的神经单元对人比较敏感,即对同一个人的头像来说,总有一些单元处于一直激活或者一直抑制的状态;

  • DeepID2+的输出对遮挡很鲁棒。

· 网络结构变化 ·

相比于DeepID2,DeepID2+做了例如以下三点改动:

  • DeepID层从160维提高到512维;

  • 训练集将CelebFaces+和WDRef数据集进行了融合,共有12000人,290000张图片;

  • 将DeepID层不仅和第四层和第三层的max-pooling层连接,还连接了第一层和第二层的max-pooling层。

DeepID3

重磅 | 最新人脸检测&识别的趋势和分析(文末有福利)

DeepID3有两种不同的结构,分别为DeepID3 net1DeepID3 net2(如上图)。相对DeepID2+,它的层数更多,网络更深,同时还借鉴了VGGGoogLeNet,引入了inception layer,这个主要是用在了DeepID3 net2里面。网络中还出现了连续两个conv layer直接相连的情况,这样使得网络具有更大的receptive fields和更复杂的nonlinearity,同时还能限制参数的数量。

下面稍微带着说一下inception layer

· Inception Layer ·

重磅 | 最新人脸检测&识别的趋势和分析(文末有福利)

传统的ConvNet是将Convulution layer stack在一起,而Inception最大的改变就是时Inception模块叠加的形式构造网络。按论文里面说就是,用Inception(稠密的可利用的组件)近似一个稀疏结构。 

将1×1,3×3,5×5的conv和3×3的pooling,stack在一起,一方面增加了网络的width,另一方面增加了网络对尺度的适应性.主要特点是提高了网络内部计算资源的利用率。

· 性能比较 ·

在训练样本上,DeepID3仍采用原来DeepID2+中使用的样本,在25个image patches产生的网络上作对比时,DeepID3 net1优势最为明显,而DeepID3 net2提升不大显著。

重磅 | 最新人脸检测&识别的趋势和分析(文末有福利)


重磅 | 最新人脸检测&识别的趋势和分析(文末有福利)


磐创粉丝福利加磐小仙好友(微信号:cellerai)并发送关键字“python基础”即可领取0元学习Python基础课程升级版


你也许还想


   2019 推荐几个值得关注的AI领域公众号

   中国AI登上Nature子刊:能“读懂”病历、会推荐诊断,准确度超人类医生

   大牛推荐 | 人工智能方向好书(附推荐语)

欢迎扫码关注:

重磅 | 最新人脸检测&识别的趋势和分析(文末有福利)


觉得赞你就点好看,多谢大佬重磅 | 最新人脸检测&识别的趋势和分析(文末有福利)

磐创AI:http://www.panchuangai.com/ 智能客服:http://www.panchuangai.com/ TensorFlow:http://panchuang.net 推荐关注公众号:磐创AI

原创文章,作者:fendouai,如若转载,请注明出处:http://panchuang.net/2019/02/23/77b54e226c/

发表评论

电子邮件地址不会被公开。

联系我们

400-800-8888

在线咨询:点击这里给我发消息

邮件:admin@example.com

工作时间:周一至周五,9:30-18:30,节假日休息