欢迎转载，作者：Ling，注明出处：深度学习：原理简明教程15-深度学习:CNN人脸识别

本文主要讨论人脸识别问题。

主要内容参考Andrew NG。

人脸验证 vs 人脸识别

人脸验证：

输入：图片

输出：输出人脸是否是指定的人脸(0/1), 正确率现在可以达到99%

人脸识别：

数据库中有K个人的人脸

输入:一个人脸

输出:该图片对应K个人中的哪个人脸或者不在数据库中

One-shot learning：

用于学习的人脸图片有限，每个人一般只有一张或者几张人脸图片，然后需要能够再次识别。

识别办法：有点类似word vector，通过网络得到image vector，求image vector的相似度。

[Taigman et. al., 2014. DeepFace closing the gap to human level performance]

Siamese Network：

输入：两个图片

输出：生成两个128位的image vector进行相似度比较，如果两个是同一个人，则d很小，如果不是同一个人，则d很大

损失函数：Triplet loss

[Schroff et al.,2015, FaceNet: A unified embedding for face recognition and clustering]

解释：

1）一样图的相似度d(A,P),不一样图片相似度d(A,N)

2）损失函数由相似和不相似图片相似度差构成，要让两者相差大

3）来自1k个人的10k图片，组合出很多这样的triplet

4）如何选择triplet，尽可能让d(A,P)和d(A,N)比较接近的triplet，这样训练出来的模型识别力更强

另外一种做法：[Taigman et. al., 2014. DeepFace closing the gap to human level performance]

解释：

1）上下两个网络参数一样

2）最后到预测y^之前点不是用sigmod进行二分类，而是用distance的相似度函数进行学习

3）损失函数可能中间distance部分不同方法稍微有点区别

4）训练样本：