**名稱
deep learning face representation from predicting 10,000 classes
作者
miclover
參考
摘要
通過深度神經網路來提取人臉深層次的特徵，
稱為深度隱藏身份特徵(deep hidden identity features, deepid)，用於人臉驗證。
在對深層次的特徵提取之後，結合分類器進行分類，文中使用了兩種分類方法：聯合貝葉斯人臉校驗（ joint bayesian）和神經網路方法（neural network）。
一、特徵提取過程
箭頭表示正向傳播方向。每一層是神經元個數標記如下。從每個卷積神經網路的最後乙個隱層提取深度人臉特徵，並在最後一層使用softmax進行分類。特徵數沿著特徵提取逐層減少，直到deepid層。
**中說，一共被訓練有60個不同引數的深度網路，每乙個網路有兩個特徵塊（一張人臉將被得分成60塊*2，這裡的2是指對那60個塊進行翻轉或對稱）被傳入。deepid層得到160維度的特徵，因此deepid總共將獲得2*60*160 = 19200維度特徵，作為最後被提取的人臉特徵。再下圖中identity classes個人理解是為了方便可以讓網路正常訓練而使用的，在訓練過程有用，在測試階段則是使用deepid層特徵來分類。
二、deep convnets
長方體的長度、寬度和高度表示所有輸入層、卷積層和最大池化層的對映數和每個對映的維數。內部的小長方體和正方形分別表示卷積層和maxpooling層的3d卷積核大小和2d pooling區域大小。每一層的旁邊都標有最後兩層完全連線的神經元數目
三、feature extraction
對於一張人臉，在經過人臉檢測和人臉對齊之後，作者按照瞳孔和嘴的位置對所有訓練樣本進行了對齊（保證後面的切片工作是同一尺度下的），然後根據特徵點的位置，進行了切塊提取。
如下圖所示：
1）上半部分是按要求對一張人臉提取十個不同的位置。
左上角的5個區域是從排列較弱的人臉中提取的全域性區域，右上角的5個區域是以5個面部標誌(兩個眼睛中心、鼻尖和兩個滑鼠角)為中心的區域性區域。
2）下半部分，對這十張分別進行2次尺度變化，得到30張不同位置的人臉。
3）又對上述30張rgb，提取了灰度影象上的特徵，這樣就變成60張了
4）之後每一張圖作對稱或水平翻轉，變成了120張
四、face verification
使用卷積神經網路或者聯合貝葉斯等分類器，對特徵進行分類，如下圖，卷積神經網路輸出1或者0，表示是不是相同。
DeepId人臉識別演算法學習
deepid的目標是人臉驗證 判斷兩張是否是乙個人 同時衍生出人臉識別 多次人臉驗證 使用近期比較火的卷積神經網路學習特徵，輸入一張，產出160維的特徵向量，然後使用現成的淺層機器學習組合貝葉斯進行分類。由於卷積神經網路計算的特徵緊湊且區分度大，所以得到的效果較好。同時，為了得到更好的效果，deep...
人臉識別系列（二） DeepID1
其實deepid特徵就是乙個由連線第三層與第四層組成的全連線層特徵。第四層的特徵更加全域性化 global 第三層的特徵更加細節 因此deepid連線了兩者，以求同時包含全域性，細節資訊。通過5個landmarks將每張人臉劃分成10regions 每張提取60patches 10regions 3...
opencv 人臉檢測 模型訓練 人臉識別
人臉檢測 模型訓練 人臉識別 2018 08 15 今天給大家帶來一套人臉識別乙個小案例，主要是幫助小夥伴們解決如何入門opencv人臉識別的問題，現在的ai行業比較火熱，ai技術的使用比較廣泛。就拿現在的只能手機來說吧，現在很多智慧型手機都必須有人臉識別解鎖 拍照自動美顏 拍照物體識別等等功能，這...