paper 143：人脸验证
持续更新ing，敬请期待！
参考：http://blog.csdn.net/stdcoutzyx/article/details/42091205
1、 DeepID人脸识别算法
香港中文大学的团队使用卷积神经网络学习特征，将之用于人脸识别的子领域人脸验证方面，取得了不错的效果。
（1）问题引入及算法流程
DeepID所应用的领域是人脸识别的子领域——人脸验证，就是判断两张图片是不是同一个人。人脸验证问题很容易就可以转成人脸识别问题，人脸识别就是多次人脸验证。DeepID达到的效果都是在LFW数据集上，该数据集是wild人脸数据集，即没有经过对其的人脸，背景变化比较大。该数据集太小，很多identities都只有一张人脸，5000个人只有13000张图片。所以DeepID引入了外部数据集CelebFaces和CelebFaces+，每次模型更新都会使用更大的数据集，这在后面介绍DeepID时再细说。
卷积神经网络在DeepID中的作用是是学习特征，即将图片输入进去，学习到一个160维的向量。然后再这个160维向量上，套用各种现成的分类器，即可得到结果。DeepID之所以有效，首先在于卷积神经网络学习到的特征的区分能力比较强，为了得到比较强的结果，DeepID采取了目前最常用的手法——增大数据集，只有大的数据集才能使得卷积神经网络训练的更加的充分。增大数据集有两种手法，第一种手法，就是采集好的数据，即CelebFaces数据集的引入。第二种手法，就是将图片多尺度多通道多区域的切分，分别进行训练，再把得到的向量连接起来，得到最后的向量。DeepID的算法流程如下：
在上述的流程中，DeepID可以换为Hog，LBP等传统特征提取算法。Classifier可以是SVM，Joint Bayes，LR，NN等任意的machine learning分类算法。
在引入外部数据集的情况下，训练流程是这样的。首先，外部数据集4:1进行切分，4那份用来训练DeepID，1那份作为训练DeepID的验证集；然后，1那份用来训练Classifier。这样划分的原因在于两层模型不能使用同一种数据进行训练，容易产生过拟合。
最新文章
- Lambda
- C#操作注册服务卸载服务启动服务停止服务.. .
- 基于BootStrap框架构建快速响应的GPS部标监控平台
- C#中把Datatable转换为Json的5个代码实例
- 配置zabbix当内存剩余不足10%的时候触发报警
- Windows 2008 R2 配置 DNS 实现二级域名
- C++primer 阅读点滴记录（三）
- VS2008注册码
- （转载）http_build_query用法,挺方便的
- careercup-栈与队列 3.6
- 用C语言绘制一条标准的余弦曲线
- zabbix 监控第三方网络
- 排查linux系统是否被入侵
- Error: failed to execute 'C:\Keil\ARM\ARMCC'的解决办法
- 针对个别utf8编码站点在iis7上浏览器编码不能自动识别的解决方法
- Java设计模式（一）
- “全栈2019”Java多线程第二十二章：饥饿线程（Starvation）详解
- Struts2 (三) — OGNL与值栈
- Cesium.js点击事件
- Map 的 key、value 是否允许为null