人脸识别系列(二):DeepID1

本文介绍了一种基于DeepID的人脸特征提取方法,该方法利用连接第三层与第四层的全连接层特征来同时捕捉人脸的全局和局部信息。通过在CelebFaces+数据集上的实验,最终在LFW上达到了97.20%的验证准确率。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

论文链接:Deep Learning Face Representation from Predicting 10,000 Classes

网络结构

这里写图片描述
The last hidden layer of DeepID is fully connected to both the third and fourth convolutional layers

其实DeepID特征就是一个由连接第三层与第四层组成的全连接层特征。

为什么连接两层?

第四层的特征更加全局化(global),第三层的特征更加细节

因此DeepID连接了两者,以求同时包含全局,细节信息。

网络训练

通过5个landmarks将每张人脸划分成10regions

每张图片提取60patches=10regions*3scales*2(RGB or gray)

这里写图片描述

使用60个CNN,每个CNN提取2*160=320维特征(与水平翻转一起输入)

这里写图片描述

算法验证

分别使用联合贝叶斯算法与神经网络进行分类,并比较结果

神经网络结构如下:
这里写图片描述

实验结果

这里写图片描述

这里写图片描述

最终结果

以CelebFaces+中202,599图像作为训练集,
patch数提升为100(10r*10s*2)
特征数提升为100*160*2=32000 然后使用PCA降为150维
使用联合贝叶斯算法进行验证,
最终在LFW上达到97.20%的验证准确率

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值