4.5 人脸验证与二分类-深度学习第四课《卷积神经网络》-Stanford吴恩达教授
| ←上一篇 | ↓↑ | 下一篇→ |
|---|---|---|
| 4.4 Triplet 损失 | 回到目录 | 4.6 什么是神经风格转换？ |
人脸验证与二分类 (Face Verification and Binary Classification)
Triplet loss是一个学习人脸识别卷积网络参数的好方法，还有其他学习参数的方法，让我们看看如何将人脸识别当成一个二分类问题。
另一个训练神经网络的方法是选取一对神经网络，选取Siamese网络，使其同时计算这些嵌入，比如说128维的嵌入（编号1），或者更高维，然后将其输入到逻辑回归单元，然后进行预测，如果是相同的人，那么输出是1，若是不同的人，输出是0。这就把人脸识别问题转换为一个二分类问题，训练这种系统时可以替换Triplet loss的方法。
最后的逻辑回归单元是怎么处理的？输出 y^\hat{y}y^ 会变成，比如说sigmoid函数应用到某些特征上，相比起直接放入这些编码（ f(x(i),f(x(j)))f(x^{(i)},f(x^{(j)}))f(x(i),f(x(j))) ），你可以利用编码之间的不同。
y^=σ(∑k=1128wi∣f(x(i))k−(x(j))k∣+b\hat{y}=\sigma(\sum_{k=1}^{128}w_i|f(x^{(i)})_k-(x^{(j)})_k|+by^=σ(∑k=1128wi∣f(x(i))k−(x(j))k∣+b
我解释一下，符号 f(x(i))kf(x^{(i)})_kf(x(i))k 代表图片 x(i)x^{(i)}x(i) 的编码，下标 kkk 代表选择这个向量中的第 kkk 个元素， ∣f(x(i))k−f(x(j))k∣|f(x^{(i)})_k-f(x^{(j)})_k|∣f(x(i))k−f(x(j))k∣ 对这两个编码取元素差的绝对值。你可能想，把这128个元素当作特征，然后把他们放入逻辑回归中，最后的逻辑回归可以增加参数 wiw_iwi 和 bbb ，就像普通的逻辑回归一样。你将在这128个单元上训练合适的权重，用来预测两张图片是否是一个人，这是一个很合理的方法来学习预测0或者1，即是否是同一个人。
还有其他不同的形式来计算绿色标记的这部分公式（ ∣f(x(i))k−f(x(j))k∣|f(x^{(i)})_k-f(x^{(j)})_k|∣f(x(i))k−f(x(j))k∣ ），比如说，公式可以是 (f(x(i))k−f(x(j))k)2f(x(i))k+f(x(j))k\frac{(f(x^{(i)})_k-f(x^{(j)})_k)^2}{f(x^{(i)})_k+f(x^{(j)})_k}f(x(i))k+f(x(j))k(f(x(i))k−f(x(j))k)2 ，这个公式也被叫做 χ2\chi^2χ2 公式，是一个希腊字母 χ\chiχ ，也被称为 χ\chiχ 平方相似度。
• Yaniv Taigman, Ming Yang, Marc’Aurelio Ranzato, Lior Wolf (2014). DeepFace:Closing the gap to human-level performance in face verification
这些公式及其变形在这篇DeepFace论文中有讨论，我之前也引用过。
但是在这个学习公式中，输入是一对图片，这是你的训练输入 xxx （编号1、2），输出 yyy 是0或者1，取决于你的输入是相似图片还是非相似图片。与之前类似，你正在训练一个Siamese网络，意味着上面这个神经网络拥有的参数和下面神经网络的相同（编号3和4所示的网络），两组参数是绑定的，这样的系统效果很好。
之前提到一个计算技巧可以帮你显著提高部署效果，如果这是一张新图片（编号1），当员工走进门时，希望门可以自动为他们打开，这个（编号2）是在数据库中的图片，不需要每次都计算这些特征（编号6），不需要每次都计算这个嵌入，你可以提前计算好，那么当一个新员工走近时，你可以使用上方的卷积网络来计算这些编码（编号5），然后使用它，和预先计算好的编码进行比较，然后输出预测值 y^\hat{y}y^ 。
因为不需要存储原始图像，如果你有一个很大的员工数据库，你不需要为每个员工每次都计算这些编码。这个预先计算的思想，可以节省大量的计算，这个预训练的工作可以用在Siamese网路结构中，将人脸识别当作一个二分类问题，也可以用在学习和使用Triplet loss函数上，我在之前的视频中描述过。
总结一下，把人脸验证当作一个监督学习，创建一个只有成对图片的训练集，不是三个一组，而是成对的图片，目标标签是1表示一对图片是一个人，目标标签是0表示图片中是不同的人。利用不同的成对图片，使用反向传播算法去训练神经网络，训练Siamese神经网络。
这个你看到的版本，处理人脸验证和人脸识别扩展为二分类问题，这样的效果也很好。我希望你知道，在一次学习时，你需要什么来训练人脸验证，或者人脸识别系统。
课程板书
| ←上一篇 | ↓↑ | 下一篇→ |
|---|---|---|
| 4.4 Triplet 损失 | 回到目录 | 4.6 什么是神经风格转换？ |
4.5 人脸验证与二分类-深度学习第四课《卷积神经网络》-Stanford吴恩达教授相关推荐
- 深度学习第四课——卷积神经网络（week 1）
目录 一.前言 1.1 卷积 1.2 其他滤波器 1.3 Padding 1.3.1 解释 1.3.2 填充多少像素的选择 1.4 卷积步长 1.5 三维卷积 1.6 单层卷积网络 1.7 深度卷积神 ...
- 2.19 总结-深度学习-Stanford吴恩达教授
←上一篇 ↓↑ 下一篇→ 2.18 Logistic 损失函数的解释 回到目录 3.1 神经网络概览 文章目录 总结 习题 第 11 题 第 12 题 第 13 题 第 14 题 第 15 题 第 1 ...
- 4.1 什么是人脸识别-深度学习第四课《卷积神经网络》-Stanford吴恩达教授
←上一篇 ↓↑ 下一篇→ 3.11 总结 回到目录 4.2 One-Shot 学习 什么是人脸识别 (What is face recognition?) 欢迎来到第四周,即这门课卷积神经网络课程的最 ...
- 0.0 目录-深度学习第五课《序列模型》-Stanford吴恩达教授
文章目录 目录 第五课 第四课 第三课 第二课 第一课 目录 第五课 <序列模型> 笔记列表 Week 1 循环序列模型 Week 1 传送门 -> 1.1 为什么选择序列模型 1. ...
- 4.4 Triplet 损失-深度学习第四课《卷积神经网络》-Stanford吴恩达教授
←上一篇 ↓↑ 下一篇→ 4.3 Siamese 网络 回到目录 4.5 面部验证与二分类 Triplet 损失 (Triplet Loss) 要想通过学习神经网络的参数来得到优质的人脸图片编码,方法 ...
- 0.0 目录-深度学习第四课《卷积神经网络》-Stanford吴恩达教授
文章目录 第五课 第四课 第三课 第二课 第一课 第五课 <序列模型> 笔记列表 Week 1 循环序列模型 Week 1 传送门 -> 1.1 为什么选择序列模型 1.2 数学符号 ...
- 0.0 目录-深度学习第三课《结构化机器学习项目》-Stanford吴恩达教授
文章目录 第五课 第四课 第三课 第二课 第一课 第五课 <序列模型> 笔记列表 Week 1 循环序列模型 Week 1 传送门 -> 1.1 为什么选择序列模型 1.2 数学符号 ...
- 0.0 目录-深度学习第二课《改善神经网络》-Stanford吴恩达教授
文章目录 第五课 第四课 第三课 第二课 第一课 第五课 <序列模型> 笔记列表 Week 1 循环序列模型 Week 1 传送门 -> 1.1 为什么选择序列模型 1.2 数学符号 ...
- 0.0 目录-深度学习第一课《神经网络与深度学习》-Stanford吴恩达教授
文章目录 第五课 第四课 第三课 第二课 第一课 第五课 <序列模型> 笔记列表 Week 1 循环序列模型 Week 1 传送门 -> 1.1 为什么选择序列模型 1.2 数学符号 ...
最新文章
- 浅谈25种设计模式（4/25）（此坑未填）
- Linux命令--pwd
- 手把手教你写DI_2_小白徒手撸构造函数注入
- 验证部分表单是否重复
- Debian的软件包管理工具命令不完全列表
- 云计算实战系列十五(SQL I)
- hausaufgabe--python 22- Recurse
- Python导包的几种方法，自定义包的生成以及导入详解
- cesium之三维漫游飞行效果实现篇（转）
- modelsim 常用快捷键
- 设有n个人围坐一圈并按顺时针方向从1到n编号
- TienLen游戏模型、算法，类似斗地主游戏算法
- U盘内文件变为快捷方式怎么办？【一招解决】
- php中如何插入图片,php如何添加图片
- FFmpeg的HEVC解码器源码简单分析：概述
- 攻防世界 happyctf
- selenium实战 登录后跳转到外部网站，添加多个数据 （UI-0107）分享（白月黑羽网站selenium自动化学习）
- uTools（工具集合）
- python基于pygame实现跨年烟花效果
- 计算机打单基础知识,电脑基础知识：简单认识打印机及耗材