DeepID的目標是人臉驗證（判斷兩張圖片是否是一個人），同時衍生出人臉識別（多次人臉驗證）。使用近期比較火的卷積神經網絡學習特徵，輸入一張圖片，產出160維的特徵向量，然後使用現成的淺層機器學習組合貝葉斯進行分類。由於卷積神經網絡計算的特徵緊湊且區分度大，所以得到的效果較好。同時，爲了得到更好的效果，DeepID採用增大數據集的方法，一是增加新的數據，celebFaces（87628張圖片，5436個人），celebFaces+（202599張圖片，10177個人）；二是裁剪圖片，多區域、多尺度、多通道裁剪，然後將計算的向量組合，使用PCA降維。
1.DeepID流程
圖1
圖1描述的是特徵提取的過程，每層的數字表示的是每個卷積網絡神經元的數量，隨着層數的增加，神經元的數量會減少，最終產出160維度的向量。
2.DeepID網絡結構
圖2 網絡結構
圖2描述的是DeepID的網絡結構，和卷積神經網絡的結構類似，卻別在於倒數第二層的DeepID層，同時和最後第四層的卷基層和第三層的Max-pooling層全連接，層數越高對於特徵的概括越高（視野越大），包含的神經元也越少，容易造成信息損失，加上第三層的的特徵，降低了信息損失。
3.DeepID實驗
DeepID使用CelebFaces數據集，包含87628張圖片，5436個人，採用80%即4349個人作爲卷積神經網絡的訓練集，其餘20%用於識別模型訓練。
在特徵提取過程中，首先檢測5個人臉特徵點，即兩個眼睛中心點，1個鼻子和2個嘴巴邊界點，基於兩眼的中心和嘴邊界兩個點的中心做對其。然後將人臉分成60個patch，包含10個子區域、3個尺度和顏色通道。如圖3所示。
上面的是十張區域圖片，左五張是弱一致臉，右五張是基於5個面部特徵點爲中心的五個區域。下面是最具代表的兩個patch三個尺度的圖片。對這60個patch分別使用60個卷積網絡做訓練，每個計算出2個160維特徵向量（patch和它的水平翻轉），最終得到的特徵數目爲2*160*60=19200，通過組成訓練，最終得到的特徵使用PCA降維產出150維特徵向量。
人臉驗證使用組合貝葉斯方法。如圖4所示。
圖4
方法驗證中引入CelebFaces+數據集，使用5種不同的scale將patchs數目增加至100，最終產出160*2*100維度特徵，使用PCA降維至150維，基於組合貝葉斯訓練的模型在LFW上得到97.2%的準確率。
4.DeepID實驗結論
1.使用multi-scale 多patches的結果比只使用一個只有整張人臉的patch的效果要好。
2.使用DeepID神經網絡的最後一層softmax層作爲特徵表示，效果很差，損失的信息太多。
3.訓練集人數越多，分類的準確率都會增加。
4.DeepID自身的分類錯誤率較高。
5.DeepID準確率
5.引用文獻
Deep learning face representation from predicting 10,000 classes