文章目录
- Face verification VS Face recoginition
- Encoder
- Triplet Loss
主要思路参考：
- FaceNet论文:FaceNet: A Unified Embedding for Face Recognition and Clustering
- 吴恩达视频
- Keras 大佬
Face verification VS Face recoginition
对于人脸验证，我们完全可以将之看作为一个二分类问题，但人脸识别发展到现在，我们依然用人脸识别的方法来解决。
Encoder
- 我们输入一张图片进入encoder，经过一系列网络，输出一串独特密码，这串密码就编译了这个人。
- 我们在进行比较的时候，将当前的图片经过encoder编码得到一串密码，将这串密码和数据库中所有的密码比较。如果 f ( k e y , k e y i d a t a b a s e ) ≤ α f(key,key_{i_{database}}) \leq\alpha f(key,keyidatabase)≤α，我们就认为此人就是数据库中的这个人。
Triplet Loss
那问题来了：那我们如何训练这个网络呢（Encoder）？
我们将数据三个分为一组。
（ A n c h o r ， P o s i t i v e , N e g a t i v e ） A n c h o r 表 示 我 们 需 要 识 别 的 这 个 人 ， P o s i t i v e 表 示 该 人 的 另 一 张 图 片 ， N e g a t i v e 表 示 另 一 个 人 的 图 片 。 （Anchor，Positive,Negative）\\ Anchor表示我们需要识别的这个人，Positive表示该人的另一张图片\\，Negative表示另一个人的图片。 （Anchor，Positive,Negative）Anchor表示我们需要识别的这个人，Positive表示该人的另一张图片，Negative表示另一个人的图片。
我 们 定 义 T r i p l e t L o s s ： M a x ( ∣ ∣ ( k e y A n c h o r ) − ( k e y P o s i t i v e ) ∣ ∣ − ∣ ∣ ( k e y A n c h o r ) − ( k e y N e g a t i v e ) ∣ ∣ + α , 0 ) 我们定义Triplet Loss：\\ Max(||(key_{Anchor}) - (key_{Positive})|| -||(key_{Anchor})\\ - (key_{Negative})|| + \alpha ,0) 我们定义TripletLoss：Max(∣∣(keyAnchor)−(keyPositive)∣∣−∣∣(keyAnchor)−(keyNegative)∣∣+α,0)
我们在优化Encoder的时候，我们需要同一个人的不同照片经过Encoder编译后的key差距尽可能小，同时希望不同人的图片经过编译后key差距尽可能大。
至于中间的神经网络，可以自行编写，甚至可以使用之前的图片分类的VGG或者ConvNet。
