第四部分 人脸识别和神经风格转换 - 2 笔记

4.5 面部验证与二分类

Face verification and binary classification

利用Triplet loss是训练Siamese网络非常有效的方法，当然还有其他的训练方法。比如，将人脸识别问题看作是一个二分类问题。将两幅影像输入Siamese网络，假设输入为x(i)、x(j)，那么编码输出为f(x(i))、f(x(j))，将编码输入逻辑回归单元，然后进行预测。如果两幅影像是同一个人，那么标签y应为1，否则为0。

逻辑回归单元的处理方法：

上述公式中，针对两幅影像128维的编码，对每个维度差值的绝对值，增加权重w和偏置b，然后128维累加，最后在进行逻辑归回。除了取差值绝对值之外，还有其他的处理方法，例如Χ平方相似度:

系统性能提升技巧：

由于网络在做逻辑回归之前，需要得到图像128维的编码。那么在网络训练好之后，可以对数据库中所有的影像进行编码并进行存储，然后待检测人员的图像在输入系统编码后，只需要跟以及存储好的图像编码进行相似度计算即可。

4.6 什么是神经风格转换?

What is neural style transfer?

C为内容图像，S为风格图像，G为内容图像经过风格转换后的图像。

4.7 深度卷积网络在学什么?

What are deep ConvNets learning?

以Alexnet为例，展示卷积神经网络不同隐藏单元之间的计算结果。以layer1为例，由于使用了ReLu激活函数，那么寻找能够使得该层单元激活最大的图片或图片块，即找到哪一张图片最大的激活了特定单元。

在layer1，只能看到小部分的卷积神经(未经过pooling)，如果要画出来哪些激活了激活单元，只有一小块图片块是有意义的，因为这就是特定单元所能看到的全部。图中可以看到，layer1中，图片中的边缘或线条、颜色阴影等图片块得到激活。可以理解为，第一层的隐藏单元通常会找一些简单的特征，比如说边缘或者颜色阴影。

第二层似乎检测到更复杂的形状和模式，比如有很多垂线的垂直图案。

第三层检测到更复杂的模式，比如圆形、蜂窝状或方形等有规律图案、人类等。

第四层检测到的模式和特征更加复杂，例如狗类、鸟类的脚等。

第五层检测到更加复杂的事物，例如键盘类的物体、文本、花、狗类等。

简而言之，一层的边缘，第二层的质地，到深层的复杂物体。

4.8 代价函数

Cost function

训练神经风格转换系统，首先要定义代价函数。

定义代价函数形式如下：

其中，Jcontent是内容代价，用来度量内容图像C与生成图像G的内容有多相似。Jstyle是风格代价，用来衡量风格图像S与生成图像G风格的相似度。两种之间的权重由超参α合β来描述。

算法简要流程：1、随机初始化生成图像；2、构造代价函数，并利用GD方法最小化代价函数。最小化代价函数的过程就是生成图像的过程。