【论文笔记】Learning Deep Face Representation
时间: 2014/9/25 17:00 文章:《 Learning Deep Face Representation 》
还没发表~
人脸的表示,易于实施,叫做Pyramid CNN,采用了greedy-filter-and-down-sample的操作,使得训练非常快,而且高效,并且PyramidCNN可以和多尺度人脸特征结合。97.3%的LFW。
传统的人脸表示特征方法:
而文章中,作者采用深度神经网络,DCNN来提取特征,其网络结构图:
注意文章的基本的网络结构不是传统上的CNN结构,而是“Siamese”网络【2005 Lecun 组的一篇文章。】,它的特点是它接收两个图片作为输入,而不是一张图片作为输入。
网络的主要特点:它们是由多个金字塔组成,分为不同个level级别的特征,每一个level的网络由两部分组成,一部分是共享的层,它由它的前一个level的网络层组成;另一部分是一个非共享层,在每一层中训练只需要训练非共享层就可以,而共享层是由前一个level的的网络层共享过来,每一个神经网络中,非共享层用来进行数据的预处理,比如卷积下采样等。(由于网络的共享层,使得每一个level的训练速度不会随着网络层数的增多而急剧提高的训练时间,说白了也就是说每次只需要训练网络的最后一层就可以了,前面的层可以保持固定。)
采用金字塔的原因在于:1.加快网络的训练速度;2.可以提取多尺度人脸结构特征;
注意每一个level有多个神经网络,分别对应于每个输入图像的patch。每个网络的训练目标函数都是下面的损失函数;
网络训练的损失函数表示为
其表示的意思就是同一个人的距离要相互接近,而非同一个人的表示要相互远离。利用这个损失函数来进行网络的训练。
训练方法:
最终的特征:它由所有的level所有的patch特征级联而成,而patch的选择则依赖于人脸特征点的检测和aligment。最终形成的特征其实是过完全的,也就是说有很多的冗余,但是很多文章都表明这种冗余性对于识别来说具有重要性。应该来说每一个level的所有的patch特征连接起来之后的向量就是一个人脸在这个level的特征了,多个level的特征再连接起来就形成了多尺度的特征表示。
文章还说了,PyramidCNN方法提取的特征可以很稀疏,最少可以在8d,而在这么低纬度的特征下,其识别率还不低。通过相同的维度特征的情况下进行识别率比较:其中LBP特征是通过了PCA降维到相对应的维度。
可以看出,PyramidCNN提取的特征,在维度低的情况下的识别率明显好于LBP,并且随着维度的降低它的识别率也不会像LBP那样子明显的下降。
新的评判标准:因为在LFW数据库上面的识别率已经达到了99%以上了,所以作者他自己提出了一个新的评判标准,在人脸verification中,正确的匹配可能会比错误的匹配少(在安全接入方面,希望falsepositive要尽可能的小,已防止非法进入)。新的评判标准就是在固定一个错误的接受率(false positive rate FPR)阈值下,评判各个算法的性能,如识别率等。
【论文笔记】Learning Deep Face Representation相关推荐
- 论文笔记 | Learning Deep Features for Discriminative Localization
作者 Bolei Zhou, Aditya Khosla, Agata Lapedriza, Aude Oliva, Antonio Torralba Bolei Zhou Abstract 受到NI ...
- 论文笔记-DEC (Deep Embedded Clustering)
论文笔记-DEC (Deep Embedded Clustering) 知识点1.将聚类的度量参考T-SNE中的t-分布,将聚类的度量转换成一个概率值(软分配,qij 表示将样本 i 分配给 j 簇的 ...
- T-PAMI-2021论文Semi-Supervised Multi-View Deep Discriminant Representation Learning阅读笔记
提示:文 0.论文信息 题目:Semi-Supervised Multi-View Deep Discriminant Representation Learning 期刊: IEEE Transac ...
- 图像隐写术分析论文笔记:Deep learning for steganalysis via convolutional neural networks
好久没有写论文笔记了,这里开始一个新任务,即图像的steganalysis任务的深度网络模型.现在是论文阅读阶段,会陆续分享一些相关论文,以及基础知识,以及传统方法的思路,以资借鉴. 这一篇是Medi ...
- [人脸活体检测] 论文: Learning Deep Models for Face Anti-Spoofing: Binary or Auxiliary Supervision
Learning Deep Models for Face Anti-Spoofing: Binary or Auxiliary Supervision 论文简介 与人脸生理相关的rppG信号被研究者 ...
- 【论文笔记】DEEP FEATURE SELECTION-AND-FUSION FOR RGB-D SEMANTIC SEGMENTATION
论文 题目:DEEP FEATURE SELECTION-AND-FUSION FOR RGB-D SEMANTIC SEGMENTATION 收录于:ICME 2021 论文:Deep Featur ...
- 论文阅读-Learning Deep CNN Denoiser Prior for Image Restoration
Zhang K, Zuo W, Gu S, et al. Learning Deep CNN Denoiser Prior for Image Restoration[J]. 2017. 1.引言 图 ...
- 论文笔记:Deep Residual Learning
之前提到,深度神经网络在训练中容易遇到梯度消失/爆炸的问题,这个问题产生的根源详见之前的读书笔记.在 Batch Normalization 中,我们将输入数据由激活函数的收敛区调整到梯度较大的区域, ...
- 论文笔记:Deep Learning [nature review by Lecun, Bengio, Hinton]
如今,机器学习的技术在我们的生活中扮演着越来越重要的角色.从搜索引擎到推荐系统,从图像识别到语音识别.而这些应用都开始逐渐使用一类叫做深度学习(Deep Learning)的技术. 传统机器学习算法的 ...
- 论文解读|2020TPAMI|Deep High-Resolution Representation Learning for Visual Recognition
用于视觉识别的深度高分辨率表征学习 github:https://github.com/HRNet 论文地址:https://arxiv.org/pdf/1908.07919 摘要 高分辨率表示对于位 ...
最新文章
- 关于Redis缓存,这3个问题一定要知道!
- 求教大牛!关于后缀树
- Netty学习笔记(一)
- 领域模型命名规约【PO,VO,POJO,BO,DTO,DO,JavaBean】
- 你不可不看的 Oracle RAC 日常基本维护命令
- java连接sqlserver非默认实例连接字符串设置
- 天池NLP文本分类比赛如何轻松轻松获得Top K的秘诀!
- 3.7 钱包、帐户、token、智能合约、action、权限、权重和阀值之间关系
- 从头开始聊P问题、NP问题与NPC问题
- 世界所有国家国际域名英文缩写总结(转)
- vue之ele中的table组件(复选框的回显和重置)
- MySQL的核心日志
- 高校实验室预约系统功能简介及解决方案
- androidStudio分包引起的系统崩溃,报错ClassNotFoundException: Didn‘t find class “XXXView“ on path: DexPath../.apk
- Dagger2实际应用篇
- 民事诉讼和刑事诉讼法知识点整理(1)
- php7能用phpexcel吗,PHPExcel 在 PHP7.0 以上版本报错
- 使用sharemouse在多台设备间共享鼠标
- chrome插件使用整理
- 【PCIe】PCIe Flow Control 释疑
热门文章
- 进阶运维:SSH无缝切换远程加密
- 2017-9-19Linux基础知识(2)
- Android开发里的自定义View的实现
- python--简易员工信息系统编写
- Object-C 语法 字符串 数组 字典 和常用函数 学习笔记
- 谈谈HtmlControl与WebControl的区别与用途
- 孙鑫VC学习笔记:第十一讲 (二) 图形的保存与重绘方法一
- cout和printf的区别
- java给方法参数赋值_java方法参数的赋值问题实例源码介绍
- 拓端tecdat:R语言GARCH建模常用软件包比较、拟合标准普尔SP 500指数波动率时间序列和预测可视化