【每周CV论文推荐】初学深度学习人脸识别和验证必读文章

最新推荐文章于 2020-08-08 12:31:30 发布

原创最新推荐文章于 2020-08-08 12:31:30 发布 · 1.3k 阅读

CC 4.0 BY-SA版权

本文推荐了深度学习人脸识别领域的六篇经典论文，包括DeepFace、DeepID系列、FaceNet、CenterFace、RangeLoss及AngularLoss，涵盖了从早期的深度学习模型到最新进展，适合初学者入门及研究人员深入学习。

部署运行你感兴趣的模型镜像

欢迎来到《每周CV论文推荐》。在这个专栏里，还是本着有三AI一贯的原则，专注于让大家能够系统性完成学习，所以我们推荐的文章也必定是同一主题的。

人脸识别和验证是当前人脸图像在身份认证领域中最广泛的应用，今天给大家介绍入门深度学习人脸识别必读的文章。

作者&编辑 | 言有三

1 Deepface

Deepface是最早期的深度学习人脸识别框架，它首先对输入人脸经过3D对齐，然后使用数据集训练一个人脸分类器得到人脸特征提取网络，最后使用Siamese网络训练人脸验证网络。

文章引用量：3500+

推荐指数：✦✦✦✦✦

[1] Taigman Y, Yang M, Ranzato M A, et al. Deepface: Closing the gap to human-level performance in face verification[C]//Proceedings of the IEEE conference on computer vision and pattern recognition. 2014: 1701-1708.

2 DeepID系列

DeepID系列总共有4篇文章，其中三篇值得读。DeepID1训练了一个多层CNN对约10000个人提取人脸识别特征，使用分类任务的方法。DeepID2添加了验证损失，DeepID 2+加大了网络宽度，增加了多尺度的监督。

文章引用量：1000+

推荐指数：✦✦✦✦✦

[2] Sun Y, Wang X, Tang X. Deep learning face representation from predicting 10,000 classes[C]//Proceedings of the IEEE conference on computer vision and pattern recognition. 2014: 1891-1898.

[3] Sun Y, Chen Y, Wang X, et al. Deep learning face representation by joint identification-verification[C]//Advances in neural information processing systems. 2014: 1988-1996.

[4] Sun Y, Wang X, Tang X. Deeply learned face representations are sparse, selective, and robust[C]//Proceedings of the IEEE conference on computer vision and pattern recognition. 2015: 2892-2900.

3 FaceNet

FaceNet提出了一种end-to-end的网络结构，使用了triplet loss，这样提取的特征可以直接用欧氏距离计算相似度，避免了前述方法的后处理步骤，VGGFace中进行了很好的工程实践。

文章引用量：2000+

推荐指数：✦✦✦✦✦

[5] Schroff F, Kalenichenko D, Philbin J. Facenet: A unified embedding for face recognition and clustering[C]//Proceedings of the IEEE conference on computer vision and pattern recognition. 2015: 815-823.

[6] Parkhi, Omkar M., Andrea Vedaldi, and Andrew Zisserman. "Deep face recognition." bmvc. Vol. 1. No. 3. 2015.

4 Center face

Center face提出了Center Loss，使类内中心均匀分布并最小化类内差异，是基于分类和度量学习方法的结合。

文章引用量：1000+

推荐指数：✦✦✦✦✦

[7] Wen Y, Zhang K, Li Z, et al. A discriminative feature learning approach for deep face recognition[C]//European conference on computer vision. Springer, Cham, 2016: 499-515.

5 Range loss

Range loss也是以上各类loss的结合，关注长尾分布的数据，类内要求每个类最小化两个最大类内距离，类间要求类中心距离最小的两个类别距离大于margin 。

文章引用量：40+

推荐指数：✦✦✦✦✧

[8] Zhang X, Fang Z, Wen Y, et al. Range loss for deep face recognition with long-tailed training data[C]//Proceedings of the IEEE International Conference on Computer Vision. 2017: 5409-5418.

6 angular loss与coco loss

angular loss在triplet loss的基础上添加了角度约束，增强了其尺度不变性。coco loss则把cosine距离和center loss结合起来。

文章引用量：40+

推荐指数：✦✦✦✦✧

[9] Wang J, Zhou F, Wen S, et al. Deep metric learning with angular loss[C]//Proceedings of the IEEE International Conference on Computer Vision. 2017: 2593-2601.

[10] Liu Y, Li H, Wang X. Rethinking feature discrimination and polymerization for large-scale recognition[J]. arXiv preprint arXiv:1710.00870, 2017.

7 softmax loss及其变种

softmax loss在很早的时候就被应用于人脸识别任务，但是因为它没有考虑类内距离，所以有很多的研究者都对其进行了改进，我们在一年前给大家做过综述，可以参考往期文章。