人脸识别——FaceBook的DeepFace、Google的FaceNet、DeepID

连续看了DeepID和FaceNet后，看了更早期的一篇论文，即FB的DeepFace。这篇论文早于DeepID和FaceNet，但其所使用的方法在后面的论文中都有体现，可谓是早期的奠基之作。因而特写博文以记之。

DeepFace基本框架

人脸识别的基本流程是：

detect -> aligh -> represent -> classify

人脸对齐流程

分为如下几步：
a. 人脸检测，使用6个基点 

b. 二维剪切，将人脸部分裁剪出来 

c. 67个基点，然后Delaunay三角化，在轮廓处添加三角形来避免不连续 

d. 将三角化后的人脸转换成3D形状 

e. 三角化后的人脸变为有深度的3D三角网 

f. 将三角网做偏转，使人脸的正面朝前。 

g. 最后放正的人脸 

h. 一个新角度的人脸（在论文中没有用到）
总体上说，这一步的作用就是使用3D模型来将人脸对齐，从而使CNN发挥最大的效果。

人脸表示

经过3D对齐以后，形成的图像都是152×152的图像，输入到上述网络结构中，该结构的参数如下：
Conv：32个11×11×3的卷积核
max-pooling: 3×3， stride=2
Conv: 16个9×9的卷积核
Local-Conv: 16个9×9的卷积核，Local的意思是卷积核的参数不共享
Local-Conv: 16个7×7的卷积核，参数不共享
Local-Conv: 16个5×5的卷积核，参数不共享
Fully-connected: 4096维
Softmax: 4030维
前三层的目的在于提取低层次的特征，比如简单的边和纹理。其中Max-pooling层使得卷积的输出对微小的偏移情况更加鲁棒。但没有用太多的Max-pooling层，因为太多的Max-pooling层会使得网络损失图像信息。
后面三层都是使用参数不共享的卷积核，之所以使用参数不共享，有如下原因：
对齐的人脸图片中，不同的区域会有不同的统计特征，卷积的局部稳定性假设并不存在，所以使用相同的卷积核会导致信息的丢失
不共享的卷积核并不增加抽取特征时的计算量，而会增加训练时的计算量
使用不共享的卷积核，需要训练的参数量大大增加，因而需要很大的数据量，然而这个条件本文刚好满足。
全连接层将上一层的每个单元和本层的所有单元相连，用来捕捉人脸图像不同位置的特征之间的相关性。其中，第7层（4096-d）被用来表示人脸。
全连接层的输出可以用于Softmax的输入，Softmax层用于分类。

人脸表示归一化

对于输出的4096-d向量：
先每一维进行归一化，即对于结果向量中的每一维，都要除以该维度在整个训练集上的最大值。
每个向量进行L2归一化

分类

得到表示后，使用了多种方法进行分类：
直接算内积
加权的卡方距离
使用Siamese网络结构
加权卡方距离计算公式如下：



其中，加权参数由线性SVM计算得到。
Siamese网络结构是成对进行训练，得到的特征表示再使用如下公式进行计算距离：



其中，参数alpha是训练得到。Siamese网络与FaceNet就很像了。

实验评估

数据集

Social Face Classification Dataset(SFC): 4.4M张人脸/4030人
LFW: 13323张人脸/5749人 
restricted: 只有是/不是的标记
unrestricted：其他的训练对也可以拿到
unsupervised：不在LFW上训练

Youtube Face(YTF): 3425videos/1595人

Training on SFC

训练使用的人数不同(1.5K/3.3K/4.4K)
训练使用的照片数目不同(10%/20%/50%)
使用的网络不同(去掉第三层/去掉第4、5层/去掉第3、4、5层)

Results on LFW

Results on YTF

总结

DeepFace与之后的方法的最大的不同点在于，DeepFace在训练神经网络前，使用了对齐方法。论文认为神经网络能够work的原因在于一旦人脸经过对齐后，人脸区域的特征就固定在某些像素上了，此时，可以用卷积神经网络来学习特征。
针对同样的问题，DeepID和FaceNet并没有对齐，DeepID的解决方案是将一个人脸切成很多部分，每个部分都训练一个模型，然后模型聚合。FaceNet则是没有考虑这一点，直接以数据量大和特殊的目标函数取胜。
在DeepFace论文中，只使用CNN提取到的特征，这点倒是开后面之先河，后面的DeepID、FaceNet全都是使用CNN提取特征了，再也不谈LBP了。

参考文献

[1]. Taigman Y, Yang M, Ranzato M A, et al. Deepface: Closing the gap to human-level performance in face verification[C]//Computer Vision and Pattern Recognition (CVPR), 2014 IEEE Conference on. IEEE, 2014: 1701-1708.

=================================完美分割线====================================

FaceNet--Google的人脸识别

版权声明：本文为博主原创文章，未经博主允许不得转载。

目录(?)[+]

引入

随着深度学习的出现，CV领域突破很多，甚至掀起了一股CV界的创业浪潮，当次风口浪尖之时，Google岂能缺席。特贡献出FaceNet再次刷新LFW上人脸验证的效果记录。
本文是阅读FaceNet论文的笔记，所有配图均来自于论文。 

转载请注明：http://blog.csdn.net/stdcoutzyx/article/details/46687471

FaceNet

与其他的深度学习方法在人脸上的应用不同，FaceNet并没有用传统的softmax的方式去进行分类学习，然后抽取其中某一层作为特征，而是直接进行端对端学习一个从图像到欧式空间的编码方法，然后基于这个编码再做人脸识别、人脸验证和人脸聚类等。
FaceNet算法有如下要点：
去掉了最后的softmax，而是用元组计算距离的方式来进行模型的训练。使用这种方式学到的图像表示非常紧致，使用128位足矣。
元组的选择非常重要，选的好可以很快的收敛。
先看具体细节。

网络架构

大体架构与普通的卷积神经网络十分相似：



如图所示：Deep Architecture就是卷积神经网络去掉sofmax后的结构，经过L2的归一化，然后得到特征表示，基于这个特征表示计算三元组损失。

目标函数

在看FaceNet的目标函数前，其实要想一想DeepID2和DeepID2+算法，他们都添加了验证信号，但是是以加权的形式和softmax目标函数混合在一起。Google做的更多，直接替换了softmax。



所谓的三元组就是三个样例，如(anchor, pos, neg)，其中，x和p是同一类，x和n是不同类。那么学习的过程就是学到一种表示，对于尽可能多的三元组，使得anchor和pos的距离，小于anchor和neg的距离。即：



所以，变换一下，得到目标函数：



目标函数的含义就是对于不满足条件的三元组，进行优化；对于满足条件的三元组，就pass先不管。

三元组的选择

很少的数据就可以产生很多的三元组，如果三元组选的不得法，那么模型要很久很久才能收敛。因而，三元组的选择特别重要。
当然最暴力的方法就是对于每个样本，从所有样本中找出离他最近的反例和离它最远的正例，然后进行优化。这种方法有两个弊端：
耗时，基本上选三元组要比训练还要耗时了，且等着吧。
容易受不好的数据的主导，导致得到的模型会很差。
所以，为了解决上述问题，论文中提出了两种策略。
每N步线下在数据的子集上生成一些triplet
在线生成triplet，在每一个mini-batch中选择hard pos/neg 样例。
为了使mini-batch中生成的triplet合理，生成mini-batch的时候，保证每个mini-batch中每个人平均有40张图片。然后随机加一些反例进去。在生成triplet的时候，找出所有的anchor-pos对，然后对每个anchor-pos对找出其hard neg样本。这里，并不是严格的去找hard的anchor-pos对，找出所有的anchor-pos对训练的收敛速度也很快。
除了上述策略外，还可能会选择一些semi-hard的样例，所谓的semi-hard即不考虑alpha因素，即：

网络模型

论文使用了两种卷积模型：
第一种是Zeiler&Fergus架构，22层，140M参数，1.6billion FLOPS(FLOPS是什么？)。称之为NN1。
第二种是GoogleNet式的Inception模型。模型参数是第一个的20分之一，FLOPS是第一个的五分之一。
基于Inception模型，减小模型大小，形成两个小模型。 
NNS1：26M参数，220M FLOPS。
NNS2：4.3M参数，20M FLOPS。

NN3与NN4和NN2结构一样，但输入变小了。 
NN2原始输入：224×224
NN3输入：160×160
NN4输入：96×96

其中，NNS模型可以在手机上运行。
其实网络模型的细节不用管，将其当做黑盒子就可以了。

数据和评测

在人脸识别领域，我一直认为数据的重要性很大，甚至强于模型，google的数据量自然不能小觑。其训练数据有100M-200M张图像，分布在8M个人上。
当然，google训练的模型在LFW和youtube Faces DB上也进行了评测。
下面说明了多种变量对最终效果的影响

网络结构的不同

图像质量的不同

最终生成向量表示的大小的不同

训练数据大小的不同

对齐与否

在LFW上，使用了两种模式：
直接取LFW图片的中间部分进行训练，效果98.87左右。
使用额外的人脸对齐工具，效果99.63左右，超过deepid。

总结

三元组的目标函数并不是这篇论文首创，我在之前的一些Hash索引的论文中也见过相似的应用。可见，并不是所有的学习特征的模型都必须用softmax。用其他的效果也会好。
三元组比softmax的优势在于 
softmax不直接，（三元组直接优化距离），因而性能也不好。
softmax产生的特征表示向量都很大，一般超过1000维。

FaceNet并没有像DeepFace和DeepID那样需要对齐。
FaceNet得到最终表示后不用像DeepID那样需要再训练模型进行分类，直接计算距离就好了，简单而有效。
论文并未探讨二元对的有效性，直接使用的三元对。

参考文献

[1]. Schroff F, Kalenichenko D, Philbin J. Facenet: A unified embedding for face recognition and clustering[J]. arXiv preprint arXiv:1503.03832, 2015.

=================================完美分割线====================================

DeepID人脸识别算法之三代