shaoxiaohu的专栏

人具有根据他人的面部特征来区分不同人的能力，但这种识别人脸的能力和识别其他类似物体的能力是否来自同一大脑功能，过去一直存在争议。最近美国科学家研究发现，人类识别人面的能力和识别非人脸目标不是同样的大脑功能。这类似语言能力，神经科学早就确定，人类大脑存在特定的听觉语言中枢，这是独立于听力的大脑功能，存在阅读中枢，也不同于语言中枢，存在书写中枢，不同于运动中枢。语言中枢受损伤，会发生特定的语言障碍。例

.VGGFace2 是一个大规模人脸识别数据，包含331万图片，9131个ID，平均图片个数为362.6。

GAN在生成高保真度的变换图方面具有其它方法所没有的优势。在这篇文章里，作者通过集成的损失函数来正则化最小最大过程，从而完成GAN模型的训练。这个集成的损失函数不仅包括像素级loss，而且包括既能提高生成图片质量又能保留身份信息的感知loss。

这篇paper提出Angular-Softmax（A-Softmax）去学习判别特征，它在超球面流形上强加了一个判别约束，而这个超球面流形本质上与人脸的先验知识位于同一个流形上。

参考文献： Liu W, Wen Y, Yu Z, et al. Large-Margin Softmax Loss for Convolutional Neural Networks[C]//Proceedings of The 33rd International Conference on Machine Learning. 2016: 507-516.摘要Softmax Loss 函数经

一.人脸检测/跟踪　　人脸检测/跟踪的目的是在图像/视频中找到各个人脸所在的位置和大小；对于跟踪而言，还需要确定帧间不同人脸间的对应关系。　　1.Robust Real-time Object Detection. Paul Viola, Michael Jones. IJCV 2001.　　入选理由：　　Viola的人脸检测工作使得人脸检测真正变得实时可用。他们发表了

【1】Kemelmacher-Shlizerman I, Seitz S M. Collection flow[C]//Computer Vision and Pattern Recognition (CVPR), 2012 IEEE Conference on. IEEE, 2012: 1792-1799.计算一对人脸图像(I,J)(I, J)之间的光流，容易受到光照、姿态以及其它变化的影响。作者

【1】Held, D., Thrun, S., & Savarese, S. (2016). Learning to Track at 100 FPS with Deep Regression Networks. arXiv preprint arXiv:1604.01802.这篇文章提出了一种基于深度学习的目标跟踪算法，有以下几个特点： 1）快，100fps，比之前大多数采用深度学习的跟踪

20160331 1、Zhang Z, Luo P, Loy C C, et al. Learning deep representation for face alignment with auxiliary attributes[J]. 2015.在论文“Facial landmark detection by deep multi-task learning”上的改进（见http://blo

卷积神经网络（CNN）已经被证明能够训练一个能力强大的分类模型，但与传统的模式识别方法类似，它也会受到数据在空间上多样性的影响。这篇Paper提出了一种叫做空间变换网络（Spatial Transform Networks， STN）,该网络不需要关键点的标定，能够根据分类或者其它任务自适应地将数据进行空间变换和对齐（包括平移、缩放、旋转以及其它几何变换等）。

【1】Shi B, Wang X, Lv P, et al. Robust Scene Text Recognition with Automatic Rectification[J]. arXiv preprint arXiv:1603.03915, 2016. 上图即为本篇论文的系统框架：包括 Spatial Transformer Network (STN ) 以及 Sequence Reco

OpenCV示例：链接 用到了Neumann L., Matas J.: Real-Time Scene Text Localization and Recognition, CVPR 2012论文提到的算法以及tesseract工具。tesseract是一个开源的OCR开发工具，之前由google发布，现在放在Github上, 链接。 在linux上安装，可以参考：ubuntu安装教程链接，C

在得到3D模型的旋转矩阵（Rotation Matrix）后，需要求取3D模型的相对于各个轴的角度，有以下资料可查：可参考的资料：简易版：http://stackoverflow.com/questions/15022630/how-to-calculate-the-angle-from-roational-matrix通用版：http://staff.city.ac.uk/~sbbh

之前的L-Softmax, A-Softmax引入了角间距的概念，用于改进传统的softmax loss函数，使得人脸特征具有更大的类间距和更小的类内距。作者在这些方法的启发下，提出了一种更直观和更易解释的additive margin Softmax (AM-Softmax)。