DeepFace: Closing the Gap to Human-Level Performance in Face Verification

Locally Connected Layer

文中将Locally Connected Layer应用到神经网络，来提取特征。
针对输入的d个特征图，做卷积运算，最终会学习到d个卷积核，即d个特征。在同一个特征图输入中卷积核(权重参数）是共享的，这就是卷积的权值共享。有了权值共享，网络学到的特征不管出现在图像的哪个位置，我们都可以找到它。既然有权值共享，那肯定也有不共享，这就引出了Locally Connected Layer——局部连接层。
局部连接层中，对于同一个输入的特征图，不同的位置我们有不同的卷积核。我们会在图片的不同地方学习到不同的特征，这是建立在我们的数据集中所有图片的特征位置是相对固定的条件下的，因此，当不存在全局的局部特征分布时，局部连接层相对于卷积层能起到更好效果。
在DeepFace中，输入的图片都是经过对齐的人脸，特征(眼、鼻、嘴等)出现的位置相对固定，因此能学习到很好的特征表达。

Reference:
[1] Fully-Connected Layer ----> Locally-Connected Layer ----> Convolutional Layer
[2] 深度学习基础–卷积–局部连接层(Locally-Connected Layer)
[3] 卷积神经网络CNN理论到实践(3)
[4] 如果你是面试官，你怎么去判断一个面试者的深度学习水平？ - 许韩的回答 - 知乎
[5] 【翻译+原创】DeepFace: Closing the Gap to Human-Level Performance in Face Verification 论文笔记
[6] Understanding Locally Connected Layers In Convolutional Neural Networks
[7] Why does locally connected layer work in convolutional neural network?