1、深度卷积神经网络人脸识别：回顾与展望

深度卷积神经网络人脸识别：回顾与展望

1. 简介

自动人脸识别旨在从图像或视频中识别出人物。随着相机的普及和社交媒体的盛行，它在访问控制、国土安全、解救受剥削儿童、人机交互界面等领域都有广泛应用。近年来，自动人脸识别技术取得了显著进展，这主要得益于深度卷积网络设计的改进，大型数据集的出现以及具有挑战性的测试标准。

人脸识别问题可分为人脸身份识别和人脸验证。训练卷积神经网络（CNN）解决这些问题的标准方法包括四个步骤：人脸检测、对齐、特征表示和分类。身份识别是指从一系列身份中为图像分配一个身份，也可以理解为从人脸库中为给定的探测图像检索最匹配的人脸。人脸验证则是验证两张人脸图像是否为同一人，通常通过计算两张人脸特征表示之间的相似度来实现。深度学习算法的发展和更先进的CNN架构，极大地推动了身份识别和验证的发展。

除了架构的改进，人脸识别在设计有效的CNN训练损失函数方面也取得了显著进展。人脸身份识别和验证都旨在学习具有低类内差异和高类间差异的特征表示。近年来，人们提出了一些损失函数，以解决标准交叉熵损失与softmax在人脸识别网络训练中的一些问题，如偏好高质量图像、过早饱和、类内和类间样本缺乏间隔等。

2. 数据集

深度CNN需要大量的训练数据。虽然一些大公司拥有数亿张专有图像来训练大型人脸识别网络，但这些数据集通常不公开。近年来，公开的人脸识别数据集规模不断增大且质量不断提高。

2.1 人脸识别数据集

数据集名称	人脸数量	主题数量