DeepId人脸识别算法学习

た入场券 2022-07-28 01:46 247阅读 0赞

DeepID的目标是人脸验证（判断两张图片是否是一个人），同时衍生出人脸识别（多次人脸验证）。使用近期比较火的卷积神经网络学习特征，输入一张图片，产出160维的特征向量，然后使用现成的浅层机器学习组合贝叶斯进行分类。由于卷积神经网络计算的特征紧凑且区分度大，所以得到的效果较好。同时，为了得到更好的效果，DeepID采用增大数据集的方法，一是增加新的数据，celebFaces（87628张图片，5436个人），celebFaces+（202599张图片，10177个人）；二是裁剪图片，多区域、多尺度、多通道裁剪，然后将计算的向量组合，使用PCA降维。

## 1.DeepID流程 ##

![这里写图片描述][20160329103800232]  
图1  
图1描述的是特征提取的过程，每层的数字表示的是每个卷积网络神经元的数量，随着层数的增加，神经元的数量会减少，最终产出160维度的向量。

## 2.DeepID网络结构 ##

![这里写图片描述][20160329104318597]  
图2 网络结构

图2描述的是DeepID的网络结构，和卷积神经网络的结构类似，却别在于倒数第二层的DeepID层，同时和最后第四层的卷基层和第三层的Max-pooling层全连接，层数越高对于特征的概括越高（视野越大），包含的神经元也越少，容易造成信息损失，加上第三层的的特征，降低了信息损失。

## 3.DeepID实验 ##

DeepID使用CelebFaces数据集，包含87628张图片，5436个人，采用80%即4349个人作为卷积神经网络的训练集，其余20%用于识别模型训练。  
在特征提取过程中，首先检测5个人脸特征点，即两个眼睛中心点，1个鼻子和2个嘴巴边界点，基于两眼的中心和嘴边界两个点的中心做对其。然后将人脸分成60个patch，包含10个子区域、3个尺度和颜色通道。如图3所示。  
![图3][3]  
上面的是十张区域图片，左五张是弱一致脸，右五张是基于5个面部特征点为中心的五个区域。下面是最具代表的两个patch三个尺度的图片。对这60个patch分别使用60个卷积网络做训练，每个计算出2个160维特征向量（patch和它的水平翻转），最终得到的特征数目为2\*160\*60=19200，通过组成训练，最终得到的特征使用PCA降维产出150维特征向量。  
人脸验证使用组合贝叶斯方法。如图4所示。  
![图4贝叶斯][4]  
图4  
方法验证中引入CelebFaces+数据集，使用5种不同的scale将patchs数目增加至100，最终产出160\*2\*100维度特征，使用PCA降维至150维，基于组合贝叶斯训练的模型在LFW上得到97.2%的准确率。

## 4.DeepID实验结论 ##

1.使用multi-scale 多patches的结果比只使用一个只有整张人脸的patch的效果要好。  
![这里写图片描述][20160331095401818]  
2.使用DeepID神经网络的最后一层softmax层作为特征表示，效果很差，损失的信息太多。  
3.训练集人数越多，分类的准确率都会增加。  
![这里写图片描述][20160331095730663]  
4.DeepID自身的分类错误率较高。  
![这里写图片描述][20160331095857929]  
5.DeepID准确率  
![这里写图片描述][20160331095137755]

## 5.引用文献 ##

[Deep learning face representation from predicting 10,000 classes][Deep learning face representation from predicting 10_000 classes]

[20160329103800232]: /images/20220727/40a5d40d34af44578922c4979542e022.png
[20160329104318597]: /images/20220727/b16715db30ed4f67bde2b506fde24981.png
[3]: /images/20220727/21b25f9f0d594d81ab014f165c7d58b0.png
[4]: /images/20220727/dd2d0fa741414e239c9c58d592b0466a.png
[20160331095401818]: /images/20220727/78285b1b6851474f9f2c30aebabf0532.png
[20160331095730663]: /images/20220727/bffd8d9b252540b49a6ad83fe39f9474.png
[20160331095857929]: /images/20220727/6d1f54477d524fe28471b147cef49479.png
[20160331095137755]: /images/20220727/50b5f31e9207421dbeff4f337330e0a7.png
[Deep learning face representation from predicting 10_000 classes]: http://mmlab.ie.cuhk.edu.hk/pdf/YiSun_CVPR14.pdf%20Deep%20learning%20face%20representation%20from%20predicting%2010,000%20classes