人脸识别相关及其内部原理

版权声明：本文为博主原创文章，未经博主允许不得转载。 https://cloud.tencent.com/developer/article/1436587

整理并翻译自吴恩达深度学习视频，卷及神经网络第四章4.1-4.5，有所详略。

人脸验证和人脸识别

Verification与Recognition的差异：

验证：

• 输入图像，名字/ID
• 输出输入的图像是否和输入的名字/ID是同一个人

这是个1:1问题。

识别：

• 你有一个K个人的数据库
• 获取一张图像作为输入
• 如果它属于K个人之一，输出这张图像对应的ID(不属于任何一个，输出不能识别)

这是个1:100问题，需要更高的准确度保证不会出错以满足我们对准确性的要求(Maybe need more than 99.9 % accuracy)。

One-Shot学习

One shot, one kill - war3暗夜精灵族弓箭手语音。

意思很直观，你需要在仅有一个example作为输入的情况下给出正确的结果。

如果按之前我们对网络的训练方式，我们不能训练出一个足够健壮的网络因为输入实在是太少了。

而且每次如果有新人加入的团队，你不能总得重新训练你的网络，这显然不是一个好的方法。

相似度 函数

因此我们将学习的目标更改为学习两张图片之间的的差异程度。

If d(img1,img2)≤τIf \ d(img1, img2) \leq \tauIf d(img1,img2)≤τ “same”

If d(img1,img2)>τIf \ d(img1, img2) > \tauIf d(img1,img2)>τ “different”

小于等于某个阀值，判定是同一个人；否则判定不是同一个人。

我个人觉得叫差异度函数更合适。这篇博文后面就使用差异度函数了。

Siamese network

The job of function d which you learned about last video is to input two faces and tell you how similar or how different they are, a good way to this is to use aSiamese Network

去掉普通卷积网络全连接层之后的输出层，我们把输入经过卷积网络之后得到的128维的vector作为输入x的编码。我们就得到了一个Siamese网络。

把两张图像经过网络得到的vector记为f(x1)和f(x2)，定义差异度函数为

∣∣f(x(i)−f(x(j))∣∣2||f(x^{(i)}-f(x^{(j)})||^2∣∣f(x(i)−f(x(j))∣∣2

如果是同一个人，那么该函数应当很小；如果不是同一个人，那么该函数应该很大。我们学习的目标就是学习到一组parameter，这组parameter能够使得该函数实现同一个人时其值很小，不是同一个人时其值很大的。

三元组损失(TripletLoss)

One way to learn the parameters of the neural network so that it gives you a good encoding for your pictures of faces is to define and apply gradient descent on the triplet loss function

更科学的方法：我们定义学习目标为三元组(A, P, N)之间的组合公式(过程如上图)：

∣∣f(A)−f(P)∣∣2−∣∣f(A)−f(N)∣∣2+α≤0||f(A)-f(P)||^2 - ||f(A)-f(N)||^2 + \alpha \leq 0∣∣f(A)−f(P)∣∣2−∣∣f(A)−f(N)∣∣2+α≤0

其中，A代表Anchor即输入的一个图像，P代表Positive，即正例，N代表Negative，即反例。α\alphaα即为SVM里面的margin。

对上述公式和0之间取max，作为我们的损失函数：

l(A,P,N)=max(∣∣f(A)−f(P)∣∣2−∣∣f(A)−f(N)∣∣2+α, 0)l(A,P,N)=max(||f(A)-f(P)||^2 - ||f(A)-f(N)||^2 + \alpha,\ 0)l(A,P,N)=max(∣∣f(A)−f(P)∣∣2−∣∣f(A)−f(N)∣∣2+α, 0)

损失函数衡量的是不对的情况，因此它是训练目标取反。上式的意义的在于α\alphaα是个大于0的定值，因此∣∣f(A)−f(P)∣∣2−∣∣f(A)−f(N)∣∣2||f(A)-f(P)||^2 - ||f(A)-f(N)||^2∣∣f(A)−f(P)∣∣2−∣∣f(A)−f(N)∣∣2取较大的值时，表示我们的损失也很大。

整个训练集上的损失函数即为：

J=∑1ml(A(i), P(i), N(i))J=\sum_1^ml(A^{(i)},\ P^{(i)},\ N^{(i)})J=1∑m​l(A(i), P(i), N(i))

在训练数据三元组的选取上，我们选"难"训练的三元组收益更大，"难"直观上的理解是，d(A,P)+αd(A,P)+\alphad(A,P)+α很大，d(A,N)d(A,N)d(A,N)很小，这样使得算法必须竭尽全力地学习到使d(A,P)+αd(A,P)+\alphad(A,P)+α变小，同时使d(A,N)d(A,N)d(A,N)变大的parameter，这提高了算法的计算效率。

人脸识别与二元分类

将人脸识别看作二元分类是三元组损失的另外一种替代方案。

我们使用2个Siamese网络得到2张输入图像的2个vector，取这2个vector作为logistic regression的输入，如果2张图像输入同一个人，那么logistics regression应该输出1(或者大于某个阀值)，否则输出0。基于此收集训练数据(或者小于某个阀值)。

假设logistic regerssion使用σ\sigmaσ函数，那么输出

y=σ(∑k=1128wi ∣f(xk(i))−xk(j))∣+b)y=\sigma (\sum_{k=1}^{128}w_i \ | f(x_k^{(i)})-x_k^{(j)})|+b)y=σ(k=1∑128​wi​ ∣f(xk(i)​)−xk(j)​)∣+b)

如同普通的逻辑回归一样，你训练网络，得到wiw_iwi​和bbb，然后使用这些参数去判断给定的2张图片是否是同一个人。

一个实际部署的小trick是，你可以预先计算数据库出里员工的图像的vector然后存储起来，这样可以节省大量的计算资源，加快你整个系统的响应速度。

将人脸识别看作二元分类监督问题，你使用一组图像当做输入，输出1或者0如上图所示。