FaceID-3：Deeply learned face representations are spars, selective, and robust 筆記

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。