人脸识别方向论文笔记（2）-- Latent Factor Guided Convolutonal Neural Networks for Age-Invariant Face Recognition

        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。

       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。