人脸识别算法FaceNet论文解读

版权声明：本文为CSDN博主「张雨石」的原创文章，遵循CC 4.0 by-sa版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/stdcoutzyx/article/details/46687471

参考文章：https://www.cnblogs.com/lijie-blog/p/10168073.html

参考文章：https://blog.csdn.net/Fire_Light_/article/details/79592804

 

论文名称：FaceNet: A Unified Embedding for Face Recognition and Clustering

论文地址：https://arxiv.org/pdf/1503.03832.pdf

 

1、FaceNet

与其他的深度学习方法在人脸上的应用不同，FaceNet并没有用传统的softmax的方式去进行分类学习，然后抽取其中某一层作为特征，而是直接进行端对端学习一个从图像到欧式空间的编码方法，然后基于这个编码再做人脸识别、人脸验证和人脸聚类等。去掉了最后的softmax，而是用元组计算距离的方式来进行模型的训练。元组的选择非常重要，选的好可以很快的收敛。

 

2、网络结构

这篇文章中，最大的创新点应该是提出不同的损失函数triplet，直接是优化特征本身，用特征空间上的点的距离来表示两张图像是否是同一类。网络结构如下：

上图是文章中所采用的网络结构，上图步骤可以描述为：

　　1.前面部分采用一个CNN结构提取特征，

　　2.CNN之后接一个特征归一化（使其特征的||f(x)||2=1,这样子，所有图像的特征都会被映射到一个超球面上)，

　　3.再接入一个embedding层(嵌入函数)，嵌入过程可以表达为一个函数，即把图像x通过函数f映射到d维欧式空间。

　　4.此外，作者对嵌入函数f(x)的值，即值阈，做了限制。使得x的映射f(x)在一个超球面上。

　　5.接着，再去优化这些特征，而文章这里提出了一个新的损失函数，triplet损失函数(优化函数），而这也是文章最大的特点所在。

 

3、目标函数

所谓的三元组就是三个样例，如(anchor, pos, neg)，其中，x和p是同一类，x和n是不同类。那么学习的过程就是学到一种表示，对于尽可能多的三元组，使得anchor和pos的距离，小于anchor和neg的距离。即：

所以，变换一下，得到目标函数：

目标函数的含义就是对于不满足条件的三元组，进行优化；对于满足条件的三元组，就pass先不管。

 

4、三元组的选择

很少的数据就可以产生很多的三元组，如果三元组选的不得法，那么模型要很久很久才能收敛。因而，三元组的选择特别重要。

因此需要采取两种显而易见的方法避免这个问题：

（1）离线更新三元组(每隔n步)。采用最近的网络模型的检测点并计算数据集的子集的argmin和argmax(局部最优)。

（2）在线更新三元组。在mini-batch上选择不好的正(类内)/负(类间)训练模型。(一个mini-batch可以训练出一个子模型)

本文中采用上述第二种方法。本文中，采用以下方法：

（1）使用大量 mini-batch，从而得到几千个不好的训练模型。

（2）计算mini-batch上的argmin和argmax。

 总结：以上所有过程博主概括为：为了快速收敛模型-->需要找到训练的不好的mini-batch上的差模型(负样本)-->从而找到不满足约束条件/使损失增大的三元组。

在本文中，训练集的每个mini-batch包含:

1. 每个身份的40个人脸

2. 随机放一些负样本人脸

 

5、网络模型

文中尝试了两个CNN结构，其参数如下：

网络1：Zeiler&Fergus architecture 

网络2： GoogLeNet