FaceBook CVPR2014: DeepFace解读

提示：扫一扫查出行
【扫一扫了解最新限行尾号】
复制提示

DeepFace是Facebook在2014年的CVPR上提出来的，后续出现的DeepID和FaceNet也都体现DeepFace的身影，可以说DeepFace是CNN在人脸识别的奠基之作，目前深度学习在人脸识别中也取得了非常好的效果。下边介绍DeepFace的基本框架。

一、网络架构

DeepFace的架构并不复杂，层数也不深。网络架构由6个卷积层 + 2个全连接层构成。

二、从实现过程，理解网络

（一）图片的3D对齐

输入原始图片，讲过3D对齐后，使人脸的正面朝前（图g）

3D对齐技术可以将图像从2D空间，映射到3维空间，得到人脸特征3维空间的分布，进而可以得到人脸在2D空间下，各种角度的特征分布。

Recongnition任务中，正面照片的分辨效果最好，图g输出人脸的正面图片用来做识别的input，图h输出人脸在45度角下的2D图，用来展示3D对齐的在各个角度下的2D的输出样例。

（二）前3层采用传统的conv提取信息

通过3层共享权值的卷积，每一层在整张图片上，提取本层的特征（同一层内，提取的是同一维度上的特征，因为filter一样）

在这里，介绍下共享权重卷积和非共享权重卷积。

1、共享权重

1个卷积核，提取1个特征，卷积核在input图上滑动，提取不同区域的同1种特征（叫做卷积层的参数共享），不同的卷积核，在不同特征的维度上，对input进行特征提取。大部分我们看到的卷积都是这种结构。参数量少，计算速度快。

不同的pixel对应的filter相同

如果1个卷积核大小是“5*5*1”，一个图对应的参数是5*5*1， feature map上输出的是，不同部位，同一维度上的特征。

2、非共享权重（ Local-Conv），也叫局部连接卷积

不同的pixel对应的filter不同。

如果1个卷积核大小是“5*5*1”，则1个128*128大小的图上，会有124*124个这样的filter，对应的参数数量是124*124*5*5*1，参数量剧增。因为不同的filter提取的是不同维度上的特征，所以feature map上输出的是不同部位，不同维度上的特征。

这样做的理由是，因为input里面人脸经过了3D对齐和2D映射，输入的图片是矫正后的正面人脸，各特征点的position都固定下来了，人脸部不同位置（鼻子，嘴巴，....）的特征不同，用不同的filter来学习效果更好。

（三）后3层conv，采用局部连接层，提取不同维度上的特征。

后3层，采用Local-Conv，提人脸不同位置上的各种不同特征，因为Local-Conv参数量巨大，所以需要使用超大的数据库进行训练。DeepFace采用的是Facebook自己做的SFC数据集，有4030个人的440万张人脸数据。所以用在这里正好~

（四）过全连接层，获取图像全局信息

1、过卷积生成的feature map送入第7层，第7层为全连接层，可以感受到上一层传过来的图像的所有信息。

之所以人脸识别的各种架构里面，大部分都含有这一层，原因是，全连接层可以捕捉到人脸距离较远区域的特征之间的关联性。比如，眼睛的位置和形状，与嘴巴的位置和形状之间的关联性，这种关联性，可以contribute to最后一步的recognition score.

2. 在第7层对所有特征进行了L2归一化，使其值域落在【0,1】之间，以减弱图像对光照的敏感性.为什么归一化之后就可以减少图像对光照的敏感性？

我的是这样理解的，归一化之前，光照强的图像（如右图）对应的值高，比如左图中某一点a的像素值为100，左图上像素值最大的是200，右图的光线更强，与a点相对应的点a’像素值为110,右图上像素值最大的是220，经过归一化后，左图右图同一点的值，也就相同了。

（五）输出4030类的识别结果。

用softmax输出4030种人物的分类信息

三、网络特点

（1）提出了3D对齐

3D对齐和3D-2D映射在这里不敷述，paper中觉得这样做，对最后的准确率提升帮助较大。但是现在的网络，在没有采用3D对齐的前提下，也取得漂亮的score.

3D对齐这一块可以先放一放。

（2）局部卷积。

局部连接的思想，就跟上面分析的一样，比较好理解。至于这种方法在别的网路中work不work，后面paper看多了应该能有个更清楚的认识。

四、网络成绩

DeepFace在LFW数据集中进行人脸识别中取得了97.35%的好成绩，该成绩相对于传统方法中依靠人工显式的提取特征，再进行分类的method，识别准确性获得明显提高，再次证实了CNN在特征提取方面的威力，此外该成绩已经逼近人类在LFW数据集中97.5%的识别成绩，性能卓越。

五、特征度量

虽然网络的output是个4030维的分类结果，paper中还是提出了另外的度量2个图片相似性的方法。

（一）内积

文中直接计算两个经过归一化后的特征之间的内积来计算2个图像过backbone后的vector之间的距离，一开始有点不太懂，两个图片相同的话，内积是大还是小？感觉看内积大小分不出来2个图片相似性啊？

后来想了想，这样之所以work，是因为本网络的特殊性。过第7层的fc层后，输出的vector是个4096维的数据，网络架构中采用了relu激活，这4096维中有75%的数据是0，4096维的vector构成了1个稀疏向量。基于这样的前提，两个不同的图片，对应的不同位置上的0和非0元素相乘抵消，内积趋近于0，而相似的2个图片，由于0存在于2个vector相同的位置，非0元素也存在于2个vector相同的位置，0没有和非零元素相抵消，对应的值较大。这样就实现了图片相似性的区分。

Paper中提到的另外2个距离度量算法。

（二）X² similarity

按照下面公式乘就可以了，比较简单，没啥好说的