人脸识别方向论文笔记(2)-- Latent Factor Guided Convolutonal Neural Networks for Age-Invariant Face Recognition
2017-06-03 09:46
711 查看
原文地址:
http://www.cv-foundation.org/openaccess/content_cvpr_2016/papers/Wen_Latent_Factor_Guided_CVPR_2016_paper.pdf
这篇论文中,创新点有三个:1.提出了LIA分析法(Latent Identity Analysis)2.提出了Latent Factor FClayer这一全新的全连接层3.提出了一种两个并行网络训练参数的全新网络。
2.提出了LIA分析法(Latent Identity Analysis)
3.提出了Latent Factor FClayer这一全新的全连接层
根据提供的LF-CNNs模型我们可以知道:
1.使用两部分来训练两个并行的网络,第一部分是用于全连接层参数标注年龄和身份label的数据,第二部分是用于学习卷积层参数的只标注身份label的数据
2.第一部分的卷积层,只进行前向和后向的计算,不进行更新参数。
3.卷计层分为五个Conv Layer,学习卷积层参数的时候,全连接层参数固定,并且最后既使用softmax loss,又使用contrastive loss
4.通过LIA方法对LF-FC layer进行参数更新,代替了传统的梯度下降法
5.第二部分的卷积层参数更新后,会统一给第一部分的卷积更新(而不是像传统卷积通过反向传播进行更新参数)
注:
Eq(3):
Eq(13):
;
;
其中,U代表的是所对应的矩阵,它的列向量是不同变化的子空间。
我们知道,普通的全连接层是通过Loss函数,使用梯度下降法进行对参数更新的,在这篇论文中,用LIA方法代替了梯度下降法进行对参数的更新(详细见2),正是因为这样,才造就了一种全新的全连接层。
http://www.cv-foundation.org/openaccess/content_cvpr_2016/papers/Wen_Latent_Factor_Guided_CVPR_2016_paper.pdf
这篇论文中,创新点有三个:1.提出了LIA分析法(Latent Identity Analysis)2.提出了Latent Factor FClayer这一全新的全连接层3.提出了一种两个并行网络训练参数的全新网络。
所做的贡献:
1.提出了一种两个并行网络训练参数的全新网络(LF-CNN)。2.提出了LIA分析法(Latent Identity Analysis)
3.提出了Latent Factor FClayer这一全新的全连接层
具体细节:
1.LF-CNN 网络模型如下:
根据提供的LF-CNNs模型我们可以知道:
1.使用两部分来训练两个并行的网络,第一部分是用于全连接层参数标注年龄和身份label的数据,第二部分是用于学习卷积层参数的只标注身份label的数据
2.第一部分的卷积层,只进行前向和后向的计算,不进行更新参数。
3.卷计层分为五个Conv Layer,学习卷积层参数的时候,全连接层参数固定,并且最后既使用softmax loss,又使用contrastive loss
4.通过LIA方法对LF-FC layer进行参数更新,代替了传统的梯度下降法
5.第二部分的卷积层参数更新后,会统一给第一部分的卷积更新(而不是像传统卷积通过反向传播进行更新参数)
2.LIA分析法:
由第一部分训练可知:Fconv =f(Fimg),Ffc = g(Fconv);注:
Eq(3):
Eq(13):
;
;
其中,U代表的是所对应的矩阵,它的列向量是不同变化的子空间。
3.LF-FC Layer:
全连接层的等式如下:我们知道,普通的全连接层是通过Loss函数,使用梯度下降法进行对参数更新的,在这篇论文中,用LIA方法代替了梯度下降法进行对参数的更新(详细见2),正是因为这样,才造就了一种全新的全连接层。
相关文章推荐
- 人脸识别方向论文笔记(3)-- Sparsifying Neural Network Connections for Face Recognition
- Latent Factor Guided Convolutional Neural Networks for Age-Invariant Face Recognition
- SphereFace: Deep Hypersphere Embedding for Face Recognition(人脸识别论文笔记)
- 论文阅读:Iccv 2013 Hidden Factor Analysis for Age Invariant Face Recognition
- 人脸识别方向论文笔记(1)-- A Light CNN for Deep Face Representation With Noisy Labels
- 【深度学习论文笔记:Recognition】:Deep Neural Networks for Object Detection
- centerloss系列文章笔记——人脸识别:A Discriminative Feature Learning Approach forDeep Face Recognition
- 人脸识别“Neural Aggregation Network for Video Face Recognition”
- 人脸识别 - Sparsifying Neural Network Connections for Face Recognition
- 《3D Convolutional Neural Networks for Human Action Recognition》论文阅读笔记
- 人脸识别“Neural Aggregation Network for Video Face Recognition”
- 斯坦福CS231n课程: 视觉识别中的卷积神经网络 Convolutional Neural Networks for Visual Recognition
- 论文笔记之:Spatially Supervised Recurrent Convolutional Neural Networks for Visual Object Tracking
- 论文笔记 | FaceNet: A Unified Embedding for Face Recognition and Clustering
- 论文笔记:An End-to-End Trainable Neural Network for Image-based Sequence Recognition and Its Application
- Investigation of uncooled infrared imagery for face recognition(用于人脸识别的非制冷红外成像研究)
- 【论文笔记】FaceNet: A Unified Embedding for Face Recognition and Clustering
- deeplearning论文学习笔记(1)Convolutional Neural Networks for Sentence Classification
- 深度学习论文笔记-Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition
- 人脸识别 -Do We Really Need to Collect Millions of Faces for Effective Face Recognition?