face recognition&&one-shot learning

最新推荐文章于 2023-03-09 14:54:55 发布
最新推荐文章于 2023-03-09 14:54:55 发布
阅读量1.2k 收藏 3
点赞数
CC 4.0 BY-SA版权
分类专栏： Machine Learning
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/github_37973614/article/details/81227335
本文介绍人脸验证与识别的基本概念，包括1对1验证问题、人脸识别系统中的oneshot learning挑战、用于衡量图片差异的Similarity函数、Siamese网络结构、Triplet损失函数的应用以及如何通过二分类改进Simaese网络等。

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

1、人脸验证与人脸识别：

（1）人脸验证（Verification）

Input：图片、名字/ID

Output：输入的图片是否是对应的人

1 to 1问题

（2）人脸识别（recognition）

拥有一个具有K个人的数据库

输入一副人脸图像

如果图片是任意这k个人中的一位，则输出对应人的ID

2、one shot learning

对于大多数的人脸识别系统都存在一个问题就是one shot learning

对于一个人脸识别系统来说，我们需要仅仅通过先前的一张人脸的图片或者是一个样例，就实现对人的识别，这样的问题就是one shot learning，系统可以识别到对应的人。

对于one shot learning来说，因为只有单个样本，是不足以训练一个稳健的卷积神经网络来进行不同人的识别过程。而且如果有新的成员加入的话，还需要对网络重新训练，这是不现实的。

3、Similarity函数：

（1）d(img1, img2)：两幅图片的差异

（2）Input：two images

（3）Output：差异度

（3）if d(img1, img2) <= threshold

Similarity函数实现：

d(x1, x2) = ||f(x1)-f(x2)))||_2^2

因此：如果x1，x2是同一幅图片，那么d(x1, x2)很小，反之很大

 

 

4、Siamese网络：

对于一个卷积网络，我们去掉最后的softmax层，将图片输入，最后输出一个N维的向量（图中以N=128）。将不同人的图片样本输入相同参数的网络结构，得到各自的图片的编码。

5、Triplet损失函数

为了使用Triplet损失函数，我们需要比较成对的图像（三元组术语）

（1）Anchor(A)：目标图片

（2）Positive(P)：与A同一人的图片

（3）Negative(N)：与A不同人的图片

所以：d(A, P)=||f(A)-f(P)||^2\leqslant ||f(A)-f(N)||^2=d(A, N)

也就是||f(A)-f(P)||^2-||f(A)-f(N)||^2\leqslant0

上面的公式存在一个问题，就是当f(A)=f(P)=f(N)=0时，也就是神经网络学习到的函数总是输出0时，或者f(A)=f(P)=f(N)时，也满足上面的公式，为了防止出现这些情况，我们对上式进行修改：

||f(A)-f(P)||^2-||f(A)-f(N)||\leqslant -\alpha（称为"margin"）即：

||f(A)-f(P)||^2-||f(A)-f(N)||^2+\alpha\leqslant 0，\alpha作为超参数，不同大小有不同的效果。

因此通过上面的推到我们可以定义triplet损失函数：

L(A,P,N)=max(z, 0)=max(||f(A)-f(P)||^2-||f(A)-f(N)||^2+\alpha, 0)

理解：当z小于0时，我们可以认为这个差距是满足我们的要求的，不需要对参数调整做出贡献，因此，我们可以把代价作为0，即0与负数中的较大值0，当z大于0时，相同图片的编码差异比不同图片的编码差异还大，这是需要做出调整的，因此计入损失函数中。

整个网络的代价：

J=\sum_{i=1}^mL(A^{(i)},P^{(i)},N^{(i)})

6、Simaese二分类改进

除了利用上面的Triplet损失函数来学习人脸识别卷积网络参数的方法外，还有其他方式。我们可以将人脸识别问题利用Siamese网络当成一个二分类问题，同样可以实现参数的学习。

对两张图片应用Simaese网络，计算得到两张图片的N维编码，然后将两个编码输入到一个logistic regression单元中，然后进行预测。相同的人则输出1，否则输出0。

对于最后的sigmoid函数，我们可以进行如下计算：

A = \sigma (\sum_{k=1}^Nw_i|f(x^{(i)})_k-f(x^{(j)})_k|+b )

将两个向量对应元素的差值作为特征输入到logistic regression的单元中，增加参数w_i，b，通过训练得到合适的参数权重和偏置，进而判断两张图片是否是同一个人。同时输入逻辑回归单元还可以进行更改：

\frac{(f(x^{(i)})_k-f(x^{(j)})_k)^2}{f(x^{(i)})_k+f(x^{(j)})_k},也称为卡方公式、卡方相似度。

在实际的人脸验证系统中，我们可以对数据库的人脸图片进行预计算，存储卷积网络得到的编码。当有图片进行识别时，运用卷积网络计算新图片的编码，与预计算保存好的编码输入到逻辑回归单元中进行预测。这样可以提高我们系统预测的效率，节省计算时间。

利用Siamese 网络，我们可以将人脸验证当作一个监督学习，创建成对的训练集和是否同一个人的输出标签。

以上内容来自：https://zhuanlan.zhihu.com/p/31485345

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

ZeroShot Learning原理与代码实例讲解
AI天才研究院
07-28 651
在人工智能和机器学习领域中，模型的泛化能力一直是研究的重点。传统的监督学习方法通常需要大量的标注数据来训练模型，这不仅耗时耗力，而且在面对新类别或未见过的数据时往往表现不佳。为了解决这个问题，研究人员提出了零样本学习（ZeroShot Learning，简称ZSL）的概念。零样本学习是一种旨在识别或分类从未在训练集中出现过的类别的机器学习方法。它的核心思想是利用已知类别的语义信息来推断未知类别的特征，从而实现对新类别的识别。这种方法在实际应用中具有重要意义，特别是在快速变化的环境中或者数据收集困难的领域。
人脸相关论文阅读——One-Shot GAN Generated Fake Face Detection
qq_41353493的博客
05-20 900
人脸相关论文阅读——One-Shot GAN Generated Fake Face Detection 记录阅读论文中的一些不了解的知识点和idea 作者 Hadi Mansourifar，Weidong Shi 发表 CVPR 2020.03 机构 university of Houston, 休斯顿大学 本文主要研究GAN网络生成的假人脸的检测，因为近些年来GAN网络很火，用GAN生成的假人脸会给现有的人脸检测，人脸识别系统造成一定的威胁，所以对于假人脸的检测判别也至关重要。 文中比较有意思的
one-shot learning、Siamese网络、Triplet loss、面部验证和二分类
我的博客
02-04 1224
one-shot learning、Siamese网络、Triplet loss、面部验证和二分类
人脸识别如何做到one-shot learning？(转)
weixin_30530523的博客
02-07 623
来源：http://blog.youkuaiyun.com/ice_actor/article/details/78603042 1.什么是人脸识别   这部分演示了百度总部大楼的人脸识别系统，员工刷脸进出办公区，在这个演示中主要应用到了人脸识别技术和活体检测。 人脸识别的术语： 1）face verification：输入图像、名字ID判断输入图像是不是名字ID指定的用户 2）face recognit...
从one-shot问题的解法发现新的deep learning应用思路
ybdesire的专栏
10-08 6217
摘要 本文讲述了什么是one-shot问题，以及one-shot问题的解决方案。并从这种解决问题的思路中得到启发，得到了一种deep learning的新的应用思路。 one-shot问题 在我们训练有监督学习模型时，为了让模型“见多识广”，我们会在构建训练集时，注重每个类别样本数的平衡。 但大家有没有想过另一种情况，加入我们做你公司员工的人脸识别系统，每个员工只会给你一张图片吧，每个样本一张图片...
Pytorch实现Deep Mutual Learning网络
Major_S的博客
03-03 3406
Deep Mutual Learning
【DML】Deep Mutual Learning 深度相互学习，神经网络也可以协作
Joselynzhao
07-22 2854
Deep Mutual LearningAbstract1. Introduction2. Related WorkModel DistillationCollaborative Learning3. Deep Mutual Learning3.1. Formulation3.2. Optimisation3.3. Extension to Larger Student Cohorts3.4. Extension to Semi-supervised Learning5. Conclusion 论文：h.
Siamese Neural Networks for One-shot Image Recognition （孪生神经网络用于 One-Shot 图像识别）
CaoChengtai的博客
06-26 2804
目录1. 摘要2. 介绍3. 方法3. 用于图像验证的孪生网络4. 有趣的一点5. 其他6. 论文链接 1. 摘要 机器学习应用中学习好的特征的计算开销是非常大的，而且在某些情况下（few-shot learning，可用数据很少）是非常困难的。一个典型的例子就是 one-shot learning，其中必须在只给出每个类的一个样本的情况下，对剩余样本做出正确的预测。本文学习一个孪生神经网络（Si...
Siamese Neural Networks for One-Shot Image Recognition
chenaxin的博客
06-21 1248
http://www.cs.cmu.edu/~rsalakhu/papers/oneshot1.pdf 摘要 为机器学习应用程序学习好的特征的过程可能是非常昂贵的计算，并有证据表明，可用数据很少时比较困难。这方面的一个典型例子是one-shot learning 设置，在这种设置中，我们必须正确地做出预测，只给出每个新类的单个例子。在这篇文章中，我们探索了一种学习 Siamese神经网络的方法，它采用独特的结构来自然排序输入。一旦网络被调优，我们就可以利用强大的鉴别特性将网络的预测能力泛化，不仅针对新的数据
Learning to Compare: Relation Network for Few-Shot Learning. （学习比较：用于few-shot learning 的关系网络）
CaoChengtai的博客
07-02 3872
目录1. 摘要2. 介绍3. 相关工作4. 方法论4.1 问题定义4.2 模型5. 其他6. 论文链接 1. 摘要 文章提出了一种概念上简单、灵活、通用的框架用于 few-shot learning 问题。few-shot learning 问题需要分类器必须在每个新类只给出几个样本情况下识别新的类（新的类是指在训练阶段没有见过的类）。文章提出了网络叫做 — 关系网络（Relation Netwo...
Face Recognition using 3D HMM
09-30
this is a journal of face recognition using 3d HMM.
【计算机视觉】Zero-shot, One-shot和Few-shot的理解
热门推荐
wzk4869的博客
03-09 2万+
【计算机视觉】Zero-shot, One-shot和Few-shot的理解
simhash与重复信息识别
zdnlp的专栏
04-12 1181
这篇文章写的很好 http://grunt1223.iteye.com/blog/964564
《deep mutual learning》论文阅读和实验
zc199329的博客
12-18 3352
目录 1 论文阅读 1.1 原文理解 主旨： 实现方法： 算法流程： 1.2 训练步骤 2 实验 3 实验代码步骤（伪代码） 1 论文阅读 1.1 原文理解 主旨： 从teacher-student知识蒸馏出发，提出来一种新的蒸馏方法叫相互学习。 相互学习与知识蒸馏的方法的区别：知识蒸馏需要一个大的pre-trained网络带动小网络的学习。而相互学习是小网络集合直...
End-to-End Learning of Deep Visual Representations for Image Retrieval
斯人若彩虹，遇上方知有！
07-15 1506
1、主要贡献： 1、利用一个大规模并且嘈杂的地标数据集，然后开发一种自动清理方法，产生一个适合深度检索的训练集； 2、我们建立在最近的R-MAC区域最大激活描述符（这个是在MAC的基础上提出的局部区域方法）描述符的基础上，说明它可以被解释为一个深度和可微的体系结构，并提出了改进来增强它； 3、我们用Simaese体系结构来训练这个网络，然后用一个triplet loss整合三个流； R-MAC区域最大激活描述符：该方法计算了不同尺度下的多个图像区域的基于CNN的描述子，这些描述子被汇总成...
Face Recognition人脸识别
Stay Hungry Stay Foolish
04-08 1971
1. Face verification && Face recognition 人脸验证：验证输入图片中的那个人是否与他声称的身份相符，也被称作1对1问题。 人脸识别：从一个大量人脸数据库中找到匹配输入图片中的那个人。如果你有一个上百人的数据库，你想得到一个可接受的识别误差，那么我们就需要构造一个验证系统，用于验证人脸识别的准确度，当准确率达到99.9%或更高时才可以在1...
人脸识别中的活体检测
Alisa_xf的博客
08-14 1万+
转自：知乎 https://zhuanlan.zhihu.com/p/25401788 早在指纹识别应用中就有针对于活体手指的检测技术，即使机器只对真人活体指纹产生识别反应，对其他一切物质不作识别，用于指纹识别产品如考勤机、门禁系统等。活体指纹识别的原理比较简单：如识别皮肤的温度、人体皮肤的电容值等。 本文主要是针对人脸识别应用中出现的人脸活体检测做简要调研及论述。有关人脸检测相关内容可以参考...
One-shot Learning
Touch_Dream的博客
09-03 1万+
背景主要研究的是网络少样本精准分类问题，单样本学习能力！很明显，机器学习系统很希望拥有这种快速从少量样本中去学习的能力，因为收集和标记数据是一个耗时费力的工作。而且，我认为这是通往通用人工智能的漫漫长路中很重要的一步。主要的研究就是单样本多类别问题，一个样本多个label，也就是弱监督！Baseline：近邻最简单的分类方式是使用k-近邻，KNN方法，但是因为每个类别只有一个样本，所以我们需要用1近
4.2 One-Shot 学习-深度学习第四课《卷积神经网络》-Stanford吴恩达教授
赵继超的笔记
04-27 2577
One-Shot 学习 (One-Shot Learning) 人脸识别所面临的一个挑战就是你需要解决一次学习问题，这意味着在大多数人脸识别应用中，你需要通过单单一张图片或者单单一个人脸样例就能去识别这个人。而历史上，当深度学习只有一个训练样例时，它的表现并不好，让我们看一个直观的例子，并讨论如何去解决这个问题。 假设你的数据库里有4张你们公司的员工照片，实际上他们确实是我们deeplearni...
few-shot charge
最新发布
01-24
### Few-Shot Learning Introduction Few-shot learning refers to a class of machine learning problems where the model is required to learn from very few examples, typically one or just a handful per category. This approach mimics human ability to generalize from limited data and has become an important area within deep learning research. The task layer's prior knowledge includes all methods that "learn how to learn," such as optimizing parameters for unseen tasks through meta-learning techniques which can provide good initialization for novel tasks[^1]. In this context: - **Meta-Learning**: Aims at designing models capable of fast adaptation with minimal training samples by leveraging previously acquired experience. - **Metric Learning**: Focuses on learning distance metrics between instances so similar ones are closer together while dissimilar remain apart in embedding space. #### Applications in Machine Learning One prominent application involves fine-grained classification using small datasets like Mini-ImageNet, demonstrating performance improvements when comparing different algorithms' embeddings propagation capabilities over time steps (Figure 7)[^2]. Another example comes from multi-label classification scenarios where combining MLP classifiers alongside KNN-based predictions enhances overall accuracy compared to traditional approaches relying solely upon prototype definitions derived directly from support sets during inference phases[^3]. Moreover, hybrid embedding strategies have been explored; these integrate both generalizable features learned across diverse domains along with specialized adjustments made specifically towards target-specific characteristics present only within given training distributions[Dtrain], thereby improving adaptability without sacrificing efficiency too much relative purely invariant alternatives[^4]. ```python def few_shot_classifier(embedding_model, classifier_type='mlp_knn'): """ Demonstrates a simple implementation outline for integrating Multi-layer Perceptron (MLP) and k-nearest neighbors (KNN). Args: embedding_model: Pre-trained neural network used to generate feature vectors. classifier_type: Type of final decision mechanism ('mlp', 'knn', or 'mlp_knn'). Returns: Combined prediction scores based on selected strategy. """ pass # Placeholder function body ``` --related questions-- 1. What specific challenges do few-shot learning systems face? 2. How does metric learning contribute to enhancing few-shot recognition abilities? 3. Can you explain more about the role of prototypes in few-shot classification schemes? 4. Are there any notable differences between MAML and other optimization-based meta-learning frameworks? 5. Which types of real-world problems benefit most significantly from applying few-shot learning methodologies?
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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