1.FaceNet 的系统

        FaceNet直接学习从面部图像到紧凑欧几里得空间的映射，其中距离直接对应于面部相似度的度量。一旦生成了这个空间，就可以以 FaceNet 嵌入作为特征向量轻松实现人脸识别、验证和聚类等任务。FaceNet是一个统一的系统，用于人脸验证（这是同一个人）、识别（这个人是谁）和聚类（在这些人脸中找到共同的人）。

        FaceNet基于使用深度卷积网络学习每个图像的欧几里德嵌入。 人脸验证涉及对两个嵌入之间的距离进行阈值化；识别变成k-NN分类问题；聚类可以使用 k 均值或凝聚聚类。三元组由两个匹配的面部缩略图和一个不匹配的面部缩略图组成，损失旨在通过距离余量将正对与负对分开。

2.模型结构

        网络由批量输入层和深度 CNN 组成，后跟 L2 归一化，从而产生人脸嵌入，然后是训练期间的三元组损失。FaceNet 使用深度卷积网络。讨论了两种不同的核心架构：Zeiler&Fergus型网络和最近的 Inception型网络，整个系统是端到端学习。采用了三元组损失，它直接反映了我们想要在人脸验证、识别和聚类中实现的目标，努力图像 x 嵌入到特征空间 Rd 中，使得所有具有相同身份的人脸之间的平方距离很小。

3.损失函数

        同一个人的脸部距离较小，而不同人的脸部距离较大。其中， α 是正负对之间强制执行的边距， T 是训练集中所有可能的三元组的集合，基数为 N。

4.两种架构

        Zeiler&Fergus架构的标准卷积层之间添加 1×1×d 卷积层，并产生 22 层深的模型。它总共有 1.4 亿个参数，每张图像需要大约 16 亿次 FLOPS。

        基于 GoogLeNet 风格的 Inception 模型，Inception 化身的详细信息。该模型与使用 L2 池化，计算 L2 范数。池化始终为 3×3（除了最终的平均池化），并且与每个 Inception 模块内的卷积模块并行。 p 表示池化后存在降维，然后连接 1×1、3×3 和 5×5 池化以获得最终输出。

5.实验                

LFW数据集：

模型以两种模式进行评估：

        （1）LFW 提供的缩略图的固定中心裁剪。

        （2）专有的人脸检测器在提供的 LFW 缩略图上运行；如果无法对齐脸部（这发生在两个图像上），则使用 LFW 对齐。

        使用（1）中描述的固定中心裁剪时，实现了 98.87%±0.15 的分类精度，当使用额外的面部对齐（2）时，实现了破纪录的 99.63%±0.09 平均值标准误差。

YouTube Faces DB数据集：

        使用FaceNet检测器在每个视频中检测到的前一百帧的所有对的平均相似度，这使得分类准确度达到 95.12%±0.39，使用前 1000 帧的结果为 95.18%。

文章来源

评论可见，请评论后查看内容，谢谢！！！评论后请刷新页面。