版权声明:转载请注明出处 https://blog.csdn.net/Fire_Light_/article/details/79594590
论文链接:Recover Canonical-View Faces in the wild with Deep
Neural Networks
FR:是指face recovery FCN是指face convolution network
正面人脸重构:
这是一篇14年的论文,比较有意思的是作者采用了一个简单卷积神经网络来完成正面人脸重构,以对齐人脸,然后基于对齐的人脸进行人脸验证。
要重构正面的人脸,进行人脸恢复,首先涉及到一个选择正面人脸作为GroudTruth的问题,也就是我们的重构目标,因此需要从训练集中挑选出我们觉得合适的正面人脸的选择。
正面人脸的选择:
- 左右对称性,2. 图像的秩Rank,3,结合1和2(文章采用的方法)。
所以采用的度量公式如下:
其中Yi是人脸图像,P,Q 矩阵是参数,
第一项表示对称性,
第二项表示矩阵的核范数:矩阵的奇异值之和可以近似为图像的秩。
λ 则表示这两个准则的tradeoff。
在文章中,作者只是采用M值最小的。(可能会有问题,或者说有改进的空间,文章中作者也说了,可以采用线性组合等来计算正面人脸)
正面人脸选择之后,就可以进行训练是深度学习网络了,其训练的损失函数是:
其中W是深度神经网络的参数,Yi是选择的正面脸。
网络的结构如下所示:
其包含3个卷积层,其中头两个采用max pooling ,最后一个采用全连接,不共享权值,具体的网络结构跟经典的没有太大的改进。
网络结构:
- 对于每一个训练图像对,重构正面脸,然后提取5个特征点Landmark,然后基于这些Landmark提取Patch。
- 利用每个patch对来训练网络,多个特征最后被级联在一起形成最后的特征。
3.网络尾部使用Logistic回归来作为作为损失函数,根据一次输入两张图片来预测是否是同一类,考虑到这是一篇较早期的人脸识别文章,那时候人脸识别普遍没有如今的水平,因此没有采用效果更好Softmax也是可以理解的。
LFW得分:
在LFW上获得%96.45准确率