深度学习笔记（45） 人脸验证与二分类
1. 二分类问题
深度学习笔记（44） Triplet 损失 的Triplet loss是一个学习人脸识别卷积网络参数的好方法
还有其他学习参数的方法
可以尝试将人脸识别当成一个二分类问题
另一个训练神经网络的方法是选取一对神经网络，选取Siamese网络
使其同时计算这些嵌入，比如说128维的嵌入（编号1），或者更高维
然后将其输入到逻辑回归单元，然后进行预测
如果是相同的人，那么输出是1，若是不同的人，输出是0
这就把人脸识别问题转换为一个二分类问题，训练这种系统时可以替换Triplet loss的方法
2. 逻辑回归单元的处理
最后的逻辑回归单元的处理
比如说sigmoid函数应用到某些特征上，相比起直接放入这些编码（f(x(i)),f(x(j))）
可以利用编码之间的不同
f(x(i))k 代表图片x^((i))的编码，下标 k 代表选择这个向量中的第 k 个元素
|f(x(i))k - f(x(j))k |对这两个编码取元素差的绝对值
可能想把这128个元素当作特征，然后把他们放入逻辑回归中
最后的逻辑回归可以增加参数 wi 和 b ，就像普通的逻辑回归一样
将在这128个单元上训练合适的权重，用来预测两张图片是否是一个人
这是一个很合理的方法来学习预测0或者1，即是否是同一个人
还有其他不同的形式来计算绿色标记的这部分公式（|f(x(i))k - f(x(j))k|）
比如说，公式可以是
这个公式也被叫做 χ2公式，是一个希腊字母 χ，也被称为 χ平方相似度
- Yaniv Taigman, Ming Yang, Marc’Aurelio Ranzato, Lior Wolf (2014). DeepFace:Closing the gap to human-level performance in face verification
这些公式及其变形在这篇DeepFace论文中有讨论，深度学习笔记（44） Triplet 损失 也引用过
但是在这个学习公式中：
输入是一对图片，这是训练输入x（编号1、2）
输出y是0或者1，取决于输入是相似图片还是非相似图片
与之前类似，正在训练一个Siamese网络
意味着上面这个神经网络拥有的参数和下面神经网络的相同（编号3和4所示的网络）
两组参数是绑定的，这样的系统效果很好
3. 计算技巧
之前提到一个计算技巧可以显著提高部署效果
如果这是一张新图片（编号1），当员工走进门时，希望门可以自动为他们打开
这个（编号2）是在数据库中的图片，不需要每次都计算这些特征（编号6），不需要每次都计算这个嵌入
可以提前计算好，那么当一个新员工走近时，可以使用上方的卷积网络来计算这些编码（编号5）
然后使用它，和预先计算好的编码进行比较，然后输出预测值
因为不需要存储原始图像，如果有一个很大的成员数据库，不需要为每个成员每次都计算这些编码
这个预先计算的思想，可以节省大量的计算，这个预训练的工作可以用在Siamese网路结构中
将人脸识别当作一个二分类问题，也可以用在学习和使用Triplet loss函数上
总结一下，把人脸验证当作一个监督学习，创建一个只有成对图片的训练集
不是三个一组，而是成对的图片
目标标签是1表示一对图片是一个人，目标标签是0表示图片中是不同的人
利用不同的成对图片，使用反向传播算法去训练神经网络，训练Siamese神经网络
参考：
相关推荐：
深度学习笔记（44） Triplet 损失
深度学习笔记（43） Siamese网络
深度学习笔记（42） 人脸识别
深度学习笔记（41） 候选区域
深度学习笔记（40） YOLO
谢谢！
转载：https://blog.csdn.net/qq_32618327/article/details/100629536