此篇論文同樣由香港中文大學湯曉鷗教授團隊於2014年發表
論文鏈接:http://xueshu.baidu.com/s?wd=paperuri%3A%28107f066157bf469540490ec52b0e65cd%29&filter=sc_long_sign&tn=SE_xueshusource_2kduw22v&sc_vurl=http%3A%2F%2Farxiv.org%2Fabs%2F1412.1265&ie=utf-8&sc_us=5787535078988981639
1.研究問題
在DeepID2的基礎上進一步改善網絡和結果,並分析網絡神經元的特性。
2.此文工作
2.1 網絡結構及改進
相比於DeepID2的改進:
四個卷積層都增加到128個特徵圖
特徵輸出增加到512維
驗證信號作用於每一個max-pooling 層特徵
訓練數據增加到1.2萬個身份29萬張圖
DeepID 爲所有max-pooling 層特徵相連
有非常多的patch, 仍然選取25個patch
2.2 實驗與討論
2.2.1 實驗結果(LFW 99.47%)
2.2.2 適度稀疏與二值性
DeepID2+ 對每個人的人臉,最後的DeepID 層都大概只有半數的單元是激活的,半數爲不激活的。不同的人,激活的單元不同。基於此性質,使用閾值將輸出的512維向量進行二值化處理,發現進度降低有限。二值化的好處:通過計算漢明距離就可以進行檢索,計算加快。
2.2.3 特徵區分性
存在某個神經元,只使用普通的閾值法,就能針對某個人得到97%的正確率。不同的神經元針對不同的人或不同的性別、年齡都具有很強的區分性。
2.2.4 遮擋魯棒性
在訓練數據沒有被遮擋的情況下,DeepID2+ 具備對遮擋的魯棒性,兩種遮擋方式:
3.總結
進一步改進了DeepID 系列,精度進一步提高。並且探討驗證了輸出神經元的適度稀疏性、特徵區分性和遮擋魯棒性。