第四章 人脸识别与神经风格迁移

目录

1 One Shot学习

2 Siamese网络

1 Siamese网络模型

2 Triplet 损失

3 二分类

3 风格迁移

1 风格迁移概念

2 代价函数

3 内容代价函数

4 风格代价函数

---

人脸验证：输入一张人脸图片，验证输出是否和模板是一个人，属于一对一问题

人脸识别：输入一张人脸图片，验证输出是否是K个模板中的一个，属于一对多问题

人脸识别由于分别与K个模板比较，其错误率会相应增加，模板越多，错误率越高。

1 One Shot学习

One-sho学习就是说训练集中每个人的训练样本只包含一张照片，然后训练一个CNN模型来进行人脸识别。若标签里有K个人，则CNN模型输出softmax就是K维的。

但是One-shot学习存在着一些缺点，首先是由于每个人只有一张图片，这会导致构建的CNN网络不够健壮；另外一旦增加人脸，会导致输出层softmax的维度发生变化，这会导致必须重建CNN网络，进行大量重复运算，不够灵活。

为了解决这个问题，我们引入描述两张图片相似程度的相似函数，记作d(img1,img2)，函数值小表示图片近似，反之则表示两张图片不是同一个人，用表达式表达为

 : 一样

：不一样（这里的是一个阈值）

2 Siamese网络

1 Siamese网络模型

一张图片经过了一般CNN网络最后到达FC层的向量可以被视为原始图片的编码，它表征了原始图片的特征，整个网络结构被称为Siamese网络。

建立 Siamese网络后，两张图片的相似度函数可以由两者FC的范数来表示，由于不同图片的CNN网络结构参数相同，因此我们可以通过训练使得属于同一人的相似度函数值很小，不同者的值很大。