DeepFace–Facebook的人脸识别

连续看了DeepID和FaceNet后&＃xff0c;看了更早期的一篇论文&＃xff0c;即FB的DeepFace。这篇论文早于DeepID和FaceNet&＃xff0c;但其所使用的方法在后面的论文中都有体现&＃xff0c;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&＃xff1a;

detect -> aligh -> represent -> classify


人脸对齐流程

分为如下几步&＃xff1a;

a. 人脸检测&＃xff0c;使用6个基点
b. 二维剪切&＃xff0c;将人脸部分裁剪出来
c. 67个基点&＃xff0c;然后Delaunay三角化&＃xff0c;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&＃xff0c;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&＃xff08;在论文中没有用到&＃xff09;

总体上说&＃xff0c;这一步的作用就是使用3D模型来将人脸对齐&＃xff0c;从而使CNN发挥最大的效果。

人脸表示

经过3D对齐以后&＃xff0c;形成的图像都是152×152的图像&＃xff0c;输入到上述网络结构中&＃xff0c;该结构的参数如下&＃xff1a;

• Conv&＃xff1a;32个11×11×3的卷积核
• max-pooling: 3×3&＃xff0c; stride&＃61;2
• Conv: 16个9×9的卷积核
• Local-Conv: 16个9×9的卷积核&＃xff0c;Local的意思是卷积核的参数不共享
• Local-Conv: 16个7×7的卷积核&＃xff0c;参数不共享
• Local-Conv: 16个5×5的卷积核&＃xff0c;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&＃xff0c;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&＃xff0c;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&＃xff0c;之所以使用参数不共享&＃xff0c;有如下原因&＃xff1a;

• 对齐的人脸图片中&＃xff0c;不同的区域会有不同的统计特征&＃xff0c;卷积的局部稳定性假设并不存在&＃xff0c;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&＃xff0c;而会增加训练时的计算量
• 使用不共享的卷积核&＃xff0c;需要训练的参数量大大增加&＃xff0c;因而需要很大的数据量&＃xff0c;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&＃xff0c;用来捕捉人脸图像不同位置的特征之间的相关性。其中&＃xff0c;第7层&＃xff08;4096-d&＃xff09;被用来表示人脸。

全连接层的输出可以用于Softmax的输入&＃xff0c;Softmax层用于分类。

人脸表示归一化

对于输出的4096-d向量&＃xff1a;

• 先每一维进行归一化&＃xff0c;即对于结果向量中的每一维&＃xff0c;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&＃xff0c;使用了多种方法进行分类&＃xff1a;

• 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&＃xff1a;
  
  其中&＃xff0c;加权参数由线性SVM计算得到。

Siamese网络结构是成对进行训练&＃xff0c;得到的特征表示再使用如下公式进行计算距离&＃xff1a;

其中&＃xff0c;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&＃xff1a;其他的训练对也可以拿到
  • unsupervised&＃xff1a;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&＃xff0c;DeepFace在训练神经网络前&＃xff0c;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&＃xff0c;人脸区域的特征就固定在某些像素上了&＃xff0c;此时&＃xff0c;可以用卷积神经网络来学习特征。

针对同样的问题&＃xff0c;DeepID和FaceNet并没有对齐&＃xff0c;DeepID的解决方案是将一个人脸切成很多部分&＃xff0c;每个部分都训练一个模型&＃xff0c;然后模型聚合。FaceNet则是没有考虑这一点&＃xff0c;直接以数据量大和特殊的目标函数取胜。

在DeepFace论文中&＃xff0c;只使用CNN提取到的特征&＃xff0c;这点倒是开后面之先河&＃xff0c;后面的DeepID、FaceNet全都是使用CNN提取特征了&＃xff0c;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.

原文链接&＃xff1a;DeepFace–Facebook的人脸识别