前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >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)

作者头像
磐创AI
发布2019-03-14 16:00:04
5850
发布2019-03-14 16:00:04
举报
文章被收录于专栏:磐创AI技术团队的专栏

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 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 ·

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。

本文参与 腾讯云自媒体同步曝光计划,分享自微信公众号。
原始发表:2019-02-23,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 磐创AI 微信公众号,前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体同步曝光计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
目录
  • · 网络结构变化 ·
  • · Inception Layer ·
  • · 性能比较 ·
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档