DeepID人脸识别原理

轻筠

已于 2025-10-17 16:30:05 修改

阅读量1k

点赞数

CC 4.0 BY-SA版权

分类专栏：机器学习文章标签：深度学习神经网络

于 2022-11-13 09:13:51 首次发布

本文链接：https://blog.youkuaiyun.com/weixin_62135607/article/details/127828353

机器学习专栏收录该内容

13 篇文章 ¥19.90 ¥99.00

订阅专栏

超级会员免费看

该文章探讨了使用深度卷积神经网络（Deep ConvNets）学习高级人脸特征进行人脸识别的方法。通过提取网络最后一层的神经元激励作为特征，形成互补的过完备特征表达，实现了在数据集上的人脸验证高准确率。实验表明，多分类训练有助于学习到更具辨识力的特征，同时，使用特定区域和尺度的特征组合能进一步提升验证性能。

这篇文章提出使用深度学习去学习到一个高级的特征表达集合DeepID用于人脸验证。DeepID特征是从深度卷积神经网络的最后一个隐含层神经元激励提取到的。并且这些特征是从人脸的不同区域中提取的，用来形成一个互补的过完备的人脸特征表达。

Introduction

当前有着最优表现性能的人脸验证算法采用的是过完备的低级别特征，并且使用的是浅层模型。本文提出使用深度模型来学习高级的人脸特征集，也就是，把一个训练样本分入10000个身份中的一个。高维空间的操作虽然更有难度，但学习到的特征表达有更好的泛化性能。尽管是通过识别任务学习的，但是这些特征也可用于人脸验证或者数据集中没有出现过的人脸。

特征提取过程如下：卷积神经网络通过学习，将训练集中所有人脸根据他们的身份进行分类。使用多个ConvNet，每一个提取最后一个隐含层神经元的激励作为特征（Deep hidden IDentity features, DeepID）。每一个ConvNet取一个人脸patch作为输入并且提取底层（bottom layers）的局部低级特征（low-level），随着更多全局的高级特征逐渐在顶层（top layer）形成，特征的数量沿着特征提取级联（feature extraction cascade）持续减少。在级联的最后形成了一个高度紧凑的160-d