人脸识别 论文阅读（1）- DeepFace: Closing the Gap to Human-Level Performance in Face Verification

文章目录

• face detection
• • LBP特征
  • SVR为什么可以学习到fiducial point
• face alignment
• • 2D对齐(a~b)
  • 堆叠4个HG层
  • 2D-TO-3D对齐: 基于HG网络
  • 3D对齐(d~g)： 基于Delaunay(三角剖分算法)
• face representation
• • C1、M2、C3: 低水平特征的提取，边缘特征或者纹理特征。
  • L4~L6：局部连接
  • F7~F8(F8为softmax)：全连接层
• face identification
• • 卡方距离
  • Siamese网络
• 可能改进的方向

DeepFace: Closing the Gap to Human-Level Performance in Face Verification
CVPR 2014，FAIR
效果：LFW 97.5% (含2D人脸6个关键点标注)
face detection->face alignment->face representation->face identification
trick：

• face alignment 上采用了2D&3D 对齐。
• face representation自己设计的网络结构。

face detection

通过LBP处理特征，再用SVR学习到fiducial point的位置。

LBP特征

局部二值模式，用于描述图像局部特征的算子。

• 灰度不变性：抵抗线性光照。
• 旋转不变形：抵抗倾斜。
• 改进：圆形LBP，可控两个参数R:半径(决定二维空间尺度)、P：周围pixel个数(决定角度空间分辨率)。
  

SVR为什么可以学习到fiducial point

SVR寻找一组数据的内在关系，找到一个回归平面，让集合的所有数据到该平面的距离最近。
SVR希望学习到一个函数f(x)即超平面使得与y尽可能接近，w、b是待确定的参数。此时相当于以f(x)为中心，构建一个宽度为2ε的间隔带，若训练样本落入此间隔带，被认为是正确的。
SVR就是SVM做回归用的方法，即输入标签是连续值的时候用的方法。

face alignment