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：

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 ·

• 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：

验证信号公式例如以下：

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：

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

DeepID3有两种不同的结构，分别为DeepID3 net1，DeepID3 net2（如上图）。相对DeepID2+，它的层数更多，网络更深，同时还借鉴了VGG和GoogLeNet，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 ·

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1x1，3x3，5x5的conv和3x3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。