DeepID2+人脸识别算法学习

DeepID2+在DeepID2基础上改进网络结构,通过添加监督信号和增强鲁棒性,提高了人脸识别的准确性。研究发现,网络特征具有适度稀疏性、选择性和遮挡鲁棒性,即使神经元二值化后仍能保持高识别效果。通过在不同遮挡情况下对比实验,证明了深层结构对于遮挡的鲁棒性更好。

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

DeepID2+在DeepID2的基础上,继续对网络结构做了修改,同时增加了对卷积圣经网络的分析,发现了几个特征:(1)适度稀疏,及时将神经元二值化之后,认证效果依然很好;(2)选择性,高层神经元对认证对象具有高度敏感性,对于同一个人很多神经元会持续保持激活或者抑制状态;(3)和鲁棒性,对于水平遮挡或者随机块遮挡,具有较高的鲁棒性,及时只剩额头和头发,仍然可以达到88.2%的准确率。

1.网络结构修改

DeepID2+继承了DeepID2的网络结构,并在低层网络添加了监督信号。
这里写图片描述
如figure2所示,和DeepID2一样,包含四层卷积层,不同的是DeepID2+做了三方面的改进:
(1)每层卷积层增加到128个特征映射,最终产出512维特征(原始160维);
(2)训练数据集Merge了celebFaces+和WDRef数据集,总共290000副人脸图片,12000个人;
(3)在每个卷积层都增加了监督信息,不仅和第三层第四层的max-pool层连接,还连接了第一层和第二层的max-pool层,通过连接max-pool层的一个512维的全连接实现。
Id:识别信号
Ve:验证信号
FC-n:第几层的max-pooling层

实验中,使用12000个人的290000张图片进行训练,使用2000个人做测试,以及组合贝叶斯的训练。基于FC-n这几层产出的512维的特征向量使用组合贝叶斯进行训练,使用2000个人做训练,最后在LFW的6000组pair中测试。这2000人也用于DeepID2+网络中学习率和训练参数的训练。
实验比对的有:网络中没有添加其它层级监督,只有FN-4层添加了后向传播梯度来训练模型;使用少量的数据,只使用CelebFaces+的数据被使用了;卷积层只使用160维的特征映射。所有卷积网络输入的是一张包含整个人脸的图片,结果如Figure3所示。

评论 3
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