ChenJM
DeepFace（CVPR, 2014）

  07 Aug 2015

论文： Taigman Y, Yang M, Ranzato M, et al. DeepFace: Closing the Gap to Human-Level Performance in Face Verification[C]// IEEE Conference on Computer Vision and Pattern Recognition. IEEE Computer Society, 2014:1701-1708.

论文算法概述

   如传统的人脸识别流程是检测--对齐--特征表示--分类。这里主要考虑对齐和特征表示步骤，采用显式的3D人脸模型做变换对齐，使用一个9层的网络模型做特征表示。该网络包含1亿2千万个参数，有多个权重不共享的局部连接层。训练集包含4百万图像，超过4000个身份。在LFW上结果是97.35%。

对齐

特征表示

网络设计如图2所示，以RGB3通道图像输入，前面三层提取低层次特征。其中极大值池化M2使卷积输出对偏移更具鲁棒性，但太多池化会导致图像信息丢失，所以整个网络只在第一层卷积后使用极大值池化。

第三层后面接着三个局部卷积层（L4/L5/L6），局部卷积中有滤波器的界限，每个区域上采用不同的滤波器集，参数不共享。采用局部卷积的原因如下：

  1. 因为对齐图像中不同区域具有不同的局部信息，卷积的空间稳定性的假设不成立，例如，在对齐的情况下，人脸五官都分布在特定区域，而眼睛和眉毛具有不同的外观，鼻子和嘴巴也有非常明显的区别，若采用同一组滤波器会造成信息丢失；

  2. 局部卷积层仅加重了训练的参数数量，并不会影响特征提取的运算量；

  3. 局部卷积层因为权重不共享，因此需要较大量的训练数据，而本文的的数据量可以满足这个条件。

    然后接上两个全连接层（F7/F8），用于获取图像不同区域的特征之间的相关性，其中F7为特征表达层。最后为F7输出的4096维特征进行归一化以减小亮度的影响，先将每个维度的数值除以整个训练集中该维度对应的最大值，然后进行L2归一化。