论文解读Attribute-Enhanced Face Recognition with Neural Tensor Fusion Networks
2017-09-12 21:09
1486 查看
论文:Attribute-Enhanced Face Recognition with Neural Tensor Fusion Networks
在这里论文中将其他的feature 成为 FRF(Face Recognition Features)
论文提及的新的特征称为FAF(Face Attribute Features),(即脸部属性,如眉毛粗度,头发颜色,肤色等等)
FRF 有很强的区分性,但是鲁棒性不强
FAR有很强的鲁棒性, 但区分性不强
提出一种结构:
由两个网络组成:LeanFace,AttNet
(其中LeanFace在LFW上的准确率为99.57%, AttNet为79.07%)
通过GTNN将上述两个网络结合后的准确率为99.65%
即实际通过LeanFace附加AttNet后提升0.08的准确率
(LeanFace和AttNet是分别训练,结合后再进行fine-tuning)
GTNN为新提出的合并结构:
其中利用了Tucker Decomposition
(合并详情见论文)
个人认为论文中将两组特征融合提高效果的GTNN网络十分有价值,应该可以尝试将其他的特征融合或者应用到其他网络或领域
(摘自 知乎) Method: 两个特征用tensor连接可以用于特征融合. 融合的效果取决于tensor参数优化的效果.
但tensor的维度很高, 难以优化,
我们使用TUCKER张量分解的方式降低待优化的tensor的维度,即使这样优化仍然面临着求导及正则化设计的困难.
我们发现这个tensor优化问题可以与一个gated的人工神经网络进行等价. 发现这个等价后, 我们可以1)
使用现有深度学习的优化工具进行优化, 如tensorflow, 而不需要手动设计复杂的tensor的优化.
由于在tensorflow优化时可以用mini-batch, 这样我们的优化天然就是scalable的 2)
融合部分可以与特征学习的神经网络进行端到端的学习. 这篇论文提供的一个insight是,将tensor和深度学习进行等价.
这样tensor领域的知识可以用来理解神经网络, 反之亦然.
在这里论文中将其他的feature 成为 FRF(Face Recognition Features)
论文提及的新的特征称为FAF(Face Attribute Features),(即脸部属性,如眉毛粗度,头发颜色,肤色等等)
FRF 有很强的区分性,但是鲁棒性不强
FAR有很强的鲁棒性, 但区分性不强
提出一种结构:
由两个网络组成:LeanFace,AttNet
(其中LeanFace在LFW上的准确率为99.57%, AttNet为79.07%)
通过GTNN将上述两个网络结合后的准确率为99.65%
即实际通过LeanFace附加AttNet后提升0.08的准确率
(LeanFace和AttNet是分别训练,结合后再进行fine-tuning)
GTNN为新提出的合并结构:
其中利用了Tucker Decomposition
(合并详情见论文)
个人认为论文中将两组特征融合提高效果的GTNN网络十分有价值,应该可以尝试将其他的特征融合或者应用到其他网络或领域
(摘自 知乎) Method: 两个特征用tensor连接可以用于特征融合. 融合的效果取决于tensor参数优化的效果.
但tensor的维度很高, 难以优化,
我们使用TUCKER张量分解的方式降低待优化的tensor的维度,即使这样优化仍然面临着求导及正则化设计的困难.
我们发现这个tensor优化问题可以与一个gated的人工神经网络进行等价. 发现这个等价后, 我们可以1)
使用现有深度学习的优化工具进行优化, 如tensorflow, 而不需要手动设计复杂的tensor的优化.
由于在tensorflow优化时可以用mini-batch, 这样我们的优化天然就是scalable的 2)
融合部分可以与特征学习的神经网络进行端到端的学习. 这篇论文提供的一个insight是,将tensor和深度学习进行等价.
这样tensor领域的知识可以用来理解神经网络, 反之亦然.
相关文章推荐
- NAN论文解读:Neural Aggregation Network for Video Face Recognition
- DeepID3:Face Recognition with Very Deep Neural Networks
- 人脸识别方向论文笔记(2)-- Latent Factor Guided Convolutonal Neural Networks for Age-Invariant Face Recognition
- Deep Learning 论文解读——Session-based Recommendations with Recurrent Neural Networks
- [论文笔记]Modeling Interestingness with Deep Neural Networks
- 【论文阅读笔记】DEEP COMPRESSION:COMPRESSING DEEP NEURAL NETWORKS WITH PRUNING, TRAINED QUANTIZATION...
- 论文阅读(1)——ImageNet Classification with Deep Convolutional Neural Networks
- [论文解读] MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications
- [深度学习论文笔记][Video Classification] Large-scale Video Classification with Convolutional Neural Networks
- 论文《Inside-Outside Net: Detecting Objects in Context with skip pooling and Recurrent Neural Networks》
- FaceNet-A Unified Embedding for Face Recognition and Clustering 论文解读
- 论文笔记:Mastering the game of Go with deep neural networks and tree search
- 深度学习论文随记(二)---VGGNet模型解读-2014年(Very Deep Convolutional Networks for Large-Scale Image Recognition)
- [论文解读]VGGNet:Very Deep Convolution Networks for Large-Scale Image Recognition
- 论文笔记:ImageNet classification with deep convolution neural networks
- Deep learning论文笔记一:ImageNet Classification with Deep Convolutional Neural Networks
- FaceNet: A Unified Embedding for Face Recognition and Clustering论文解读
- [深度学习论文笔记][Image Classification] ImageNet Classification with Deep Convolutional Neural Networks
- 【论文阅读】Deep Compression: Compressing Deep Neural Networks with Pruning, Trained Quantization and Huff
- CV论文笔记(二) Large-scale Video Classification with Convolutional Neural Networks