人脸对齐 旷世讲座

人脸识别系统

应用：
一人脸确认
1V1确认是否是一个人
二人脸ID
1VN 大库里找到输入图片是谁

人脸->特征向量

想让不同的向量拥有“相似度”概念

类内距离；类间距离

单张图经过人脸识别的pipeline

人脸检测
人脸关键点定位Landmark
人脸对齐Alignment（用来降低人脸几何形变,降低识别系统的复杂度）
人脸识别（得到特征向量）

要有这么一个函数
图像空间->特征空间的映射，相似度超过一个距离阈值
TAR： N次自己和自己比较，通过的概率
FAR：其他人和自己比较，成功解锁的概率

第二类身份确认场景中
Top-K命中率（不需阈值，只要相对关系对就行）

2000年，手工类 LBP等 ， 勉强可以半配合式；
中间流程较长，不够鲁棒80~90%
2013年之后，效果极大提高98%~99%

2014DeepFace
2014DeepID
原理：在大数据上训分类网络，在没见过的人脸也出现较好的效果
全局分类器

Google的2015FaceNet
同一个人类内距离近，不同类间距离远
使用Triplet Loss
使用Anchor Negative Positive三元组来训练
每次只训练局部
（对于每个人图片不多的情况，效果比简单的分类器效果提升快）

2017 SphereFace
改进基于多分类的识别系统。分类网络那个路线。
改进 Large margin softmax
二分类中不能只以左右半球部分划分，而是约束训练数据，训练集中到一个小区域。那么对未见过的人脸识别也会好。
提升比较明显，且方法比较鲁棒

2018 CosFace
分类网络那个路线。对Large Margin 提升，但不在角度上，而是在cos值
训练更稳定；避开了直接训角度的周期性

2019CVPR ArcFace
分类网络那个路线。对角度不是乘法的约束，而是加法的约束，比2017那个训练稳定，效果较好。

2016 NPairLoss
两两图片都可以形成一个Pair，更高效的使用一个batch里面的数据，
On个batch可以产生了N方个loss 提高了学习效率
local learning本身噪声角度，NPair Loss之后，N个负样本的梯度对这个anchor的噪声会降低。（1V1噪声较大）

2018 ECCV GridFace
修正几何形变

产业界的挑战：
1不同手机传感器生成图像，成像质量千差百怪。如何得到对数据以来低一些的网络。
2低功耗，离线跑（FPGA）
3数据标注（人工匹配准确度很差，低于模型）
4现实生活中FAR要1e-8，意味着5e10乘1e-8则一天500个错误
5距离不对齐挑战（有人的特征聚集的好有的人不好，阈值的话某些个体误报率会很高）

如果能知道人脸特征分布的密度，那么可以在密度高的地方可以拉开一些，这样每个人方差就会小很多

利用未标注的大量数据，看成与训练集同源，对距离进行一个修正
对任意两张图像都做一个距离修正。把两个距离修正通过超参组合起来
代码较简单，对图像Q ， P
按照预定阈值

理论分析：对任意误报率进行距离修正，在其他误报率也会有修正效果

误报率在每个人上波动很大，灰色部分
修正之后变成橙色的部分

其他数据集上也有提升效果，可以作为通用实际应用场景的后处理，进行方差的降低，提高准确率的性能

计算摄影

我们的图片在被拍摄出来时就已经经过图像传感器的计算才得到的。