DeepID2人脸识别算法学习-蒲公英云

DeepID2人脸识别算法学习

怼烎@ 2022-07-28 04:25 236阅读 0赞

DeepID2相比于DeepID1有了很大提高，主要是添加了验证信号，和认证信号组合监督训练过程，产出的特征增加了类间差异，减少了类内差异，准确率提升至99.15%，错误率降低了67%。

1.算法简介

同一个人在不同姿态、色彩、表情、年龄和遮挡的情况下会有很大不同，这样变化会使人脸识别很困难。所以，减小类内（一类代表一个人）差异，增加类间差异是人脸识别的主要方向。基于深度学习的深度和强悍的学习能力，可以学习到很有效的特征，使用识别新号和验证信号的组合方式。识别信号用来对输入的图像判定类别，验证信号判断输入的一对图像是否是同一个人。

2.识别认证信号监督深层特征学习

使用深度卷积神经网络学习逐层学习视觉特征，有4层卷积层，在第3层的卷积层，神经单元中2*2的子区域权重共享，在第4层卷积层，所有的神经单元权重不共享。

这里写图片描述

如图1所示，共有4层卷积层，其中DeepID层和第3层第4层卷积层都是全连接，因为第4层提取到的是更全局性的特征，所以，DeepID2计算的是多尺度的特征。在卷积层和最后的DeepID2层使用矫正线性单元（rectified linear unit ReLU）。
如图1所示，假设输入的图片是55*47的彩色图（图片大小不同，下面层的map大小也要随着变化），卷积过程为：

f = Conv(x, θc)
    Conv：卷积计算函数
    x：输入的patch
    f：计算得出的特征向量
    θc：训练过程学习卷积网络参数

识别信号公式
这里写图片描述

验证信号公式
这里写图片描述

由于验证信号包括两个样本，所以训练过程发生了变化，每次需要随机选择两个样本，然后切分patch，训练，训练过程如下。

这里写图片描述

·训练过程中的参数通过随机梯度下降方法动态调整，lambda是识别和验证信号的加权参数。m参数是动态调整的，通过选择最近训练样本中的最小验证误差错误率。

3.实验过程

实验过程中，包括patches分割、图片预处理、卷积网络计算以及特征处理等。
（1）使用SDM算法检测出21个关键点；
（2）基于关键点对图片进行扭正；
（3）图片切分为400个patches，主要是基于关键点位置、尺度、颜色通道等；
（4）将400个patches分到200个卷积网络里进行特征计算，每个patch生成2个160维的DeepID2特征，他自己的特征和水平翻转的特征；
（5）由于产出的特征总数太大，可用性难度大，采用前向、后向贪心算法来选择最具代表性的特征，试验中选取了25个patches，总共25*160=4000维特征；
（6）4000维特征使用PCA再次降维，最终产出180维特征；
（7）180维特征输入到组合贝叶斯中分类。

实验使用CelebFaces+数据集，202599张图片共10177张人脸，分为两部分，CelebFaces+A有8192张人脸，用于卷积网络训练，CelebFaces+B有1985张人脸，作为验证集合去确定学习的速率、参数lamga，然后CelebFaces+B分为两部分用作特征选择，其中1485用于训练，500用于验证，最后选择出25个特征patches，如figure2所示。最后，使用CelebFaces+B训练组合贝叶斯分类算法，LFW用于验证。

在25个patches特征选择中，首先选取最好的25个patches，然后从剩下未被选取的patches中选择25个patches，重复6次，然后将7次取出的特征送入组合贝叶斯计算，将这7分结果融合，使用SVM算法选出最优的25个patches特征，最终取得了99.15%的准确率。
图片pathes切分

4.实验结果

1.lamga，平衡识别信号和验证信号
当lamga=0时，类间差异可以区分出不同类，但是给类内带来较大的变化噪声；当lamga=0.05时，类间变化较大，类内变化的大小减小；当lamga=正无穷时，类间和类内变化都映射到少量主要方向上，识别信号弱，类间变化小，分类困难，如下图所示。
这里写图片描述