本文深入探讨了人脸识别技术，包括人脸验证和人脸识别的挑战，介绍了Siamese网络和Triplet loss在训练过程中的作用。此外，还讨论了如何将问题转化为二分类问题简化模型训练。在图片风格转换部分，解释了如何保持内容一致性和追求目标风格，通过内容和风格代价函数实现转换，并阐述了风格相关性的计算方法。
人脸识别 fave recognition
人脸验证 fave verification
人脸验证指的是给出一张人脸图片，再给出一个目标ID，我们来确认图片是否属于这个ID
人脸识别 face recognition
人脸识别指的是给出一张人脸图片，已知一组ID，判断这张图片是否属于这一组ID中的一个
任务难点：往往在实际应用中，我们数据库中一个人只有1张图片，数据较少。（训练时需要一个人有多个图片）
siamese network
本质上是利用神经网络对人脸图片进行编码。
我们定义两张图片的差距d（a，b）是其编码差值的范数（各项平方和）。我们希望同一个人的图片差距小，不同人的图片差距大。
Triplet loss
为了利用每个人较少的数据集训练网络，我们可以利用Triplet loss损失函数。
计算Triplet loss，我们需要三个图片：图片A，正例图片P，反例图片N
L（A，P，N）=max（d（A，P）- d（A，N）+ alpha，0）
可以看出我们想要正例差距与反例差距之间的差值要
最低0.47元/天 解锁文章
扫一扫
820
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
