FaceID-2：Deep Learning Face Representation by Joint Identification-Verification 笔记

此文由香港中文大学汤晓鸥教授团队于2014年发表

论文链接：http://xueshu.baidu.com/s?wd=paperuri%3A%286b30d469fc18e0a45638324f608273a2%29&filter=sc_long_sign&tn=SE_xueshusource_2kduw22v&sc_vurl=http%3A%2F%2Farxiv.org%2Fabs%2F1406.4773&ie=utf-8&sc_us=6217259086007818494

1.研究问题

在DeepID 的基础上添加验证信号，实现更高精度的人脸识别与验证。

2.此文工作

主旨思想是添加验证信号，减少类内方差，增大类间方差。

2.1 网络结构

基本上同DeepID， 但是网络的数量增加到200个。（patch数量增加）

2.2 网络训练

训练过程：

2.3 人脸特征

首先提取21个人脸特征点，将人脸对齐，然后通过尺度、切片、位置、通道、水平翻转得到400个patch， 通过200个卷积网络得到200个160维的特征。然后通过前向贪婪算法选取其中的25个patch 的输出作为特征，最后通过PCA降维到180维，即为最终利用的特征DeepID2。最后通过联合贝叶斯或L2范数进行人脸验证。

2.4 实验与讨论

实验数据：训练数据：CeleFaces+， 有10177人，202599张图片；8192人训练DeepID，1985人训练联合贝叶斯分类器。准确率达到99.15%

3.总结

通过添加验证信息，减少类内方差，增大类间方差，显著提高了人脸验证的水平。再一次刷新了LFW 数据库上的正确率。