通往人工智能的崎岖之路

在所有深度网络中，卷积神经网和图像处理最为密切相关，卷积网在很多图片分类竞赛中都取得了很好的效果，但很多人都不了解卷积网取得良好成绩的原因。为此，卷积神经网的发明者Yann LeCun的得意门生Matthew Zeiler在2013年专门写了一篇论文，详细地分析了卷积网的结构，对训练样本如何影响卷积网产生特征的过程进行了阐述。下面是这篇文章的中文翻译.

该文章发表在CVPR2013上，主要讲述了如何利用深度卷积网实现人脸特征点的位置预测，个人认为本文最大的亮点在于巧妙地将神经元的输出和坐标值联系起来，实现了多点位置预测。从作者的结果来看，似乎该方法可以秒杀其他任何面部特征点检测算法，具体是不是这样，还需要广大童鞋去验证。

注：本文是Ilya Sutskever受邀给Yisong Yue博客写的文章。原文在Yisong Yue博客上：http://yyue.blogspot.com/2015/01/a-brief-overview-of-deep-learning.html 由于blogspot被墙，为方便读者，特转来墙内。A Brief Overview of Deep Learning

在Deep convolutional network cascade for facial point detection一文中，作者实现了基于CNN的人脸标注算法。而后续发表在CVPR2014上的关于人脸识别的文章，很大程度上都依赖于前端人脸标注算法的准确性。本人尝试在ConvNet上对该网络进行了实现。

基于Triplet loss 函数训练人脸识别深度网络在FaceNet中，作者提出了基于度量学习的误差函数Triplet loss，其思想来源如下：∥∥xai−xpi∥∥22+threshold∥∥xai−xni∥∥22\left\| {x_i^a - x_i^p} \right\|_2^2 + threshold 其中xai{x_i^a } 表示参考样本，xpi{x_i^p }