DeepID2文章加深理解

Deep Learning Face Representation by Joint

Identification-Verification（DeepID2）

简介：人脸识别的关键是建立有效的特征表达，关键减小同一个人照片之间的差异（类内差异），同时增大不同人照片之间的差异（类间差异）。本文提出同时使用人脸识别信号和人脸验证信号作为监督信号。人脸识别通过DeepID2提取不同人脸的特征，增大类间差异；人脸验证通过DeepID2提取相同人脸的特征，减小类内差异。LFW的检测率为99.15%，相比较于DeepID1，误码率减少了67%。

背景：在人脸识别时，由于姿态、光照、表情、年龄、遮挡等原因，程序会将同一个人的多张图片识别为不同的人，这大大提升了人脸识别的难度。因此需要减小类内差异，增大类间差异。研究表明，类内差异与类间差异是复杂的、高度非线性，因此不能用简单的线性模型来描述它。

人脸识别（IDentification）：输入一张图片，从大量的身份类别中找到该图的身份。

人脸验证（Verification）：比较两张人脸图片的身份是否相同。

 

训练阶段，给予带有标签的人脸图像，在DeepID层提取特征，映射到其中一个身份上。测试阶段，DeepID2特征可被用于人脸验证。人脸识别信号可以将不同身份的DeepID2特征分开，拥有非常强的身份关联性与类间差异；人脸验证信号可以克服人脸识别信号的缺点，它可以使相同身份提取的DeepID2特征更加接近，而不同身份提取的特征远离，对DeepID2每个元素的强有力约束也有利于减少类内差异。

 

DeepID一代与二代的网络结构对比：

DeepID网络结构：

DeepID2网络结构：

DeepID2特点：

第三层卷积层：权值局部共享

第四层卷积层（局部连接层）：注意，说明卷积采用局部连接，没有用到全部60张特征图，卷积的权值也是完全不共享

 

DeepID层：同时对Max-pooling layer3和Convolutional layer4全连接

 

激活函数采用：ReLU

公示表达：

①、DeepID2特征提取（卷积）：，是输入的patch，是等待训练的卷积参数。

 

②、人脸识别信号通过DeepID层的n维softmax层来实现，输出是n