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

一.文献名字和作者

   Deepface: Closing the gap to human-level performance in face verification， Yaniv Taigman， Ming Yang， Marc’Aurelio Ranzato，Lior Wolf， CVPR2014

   

二.阅读时间

    2014年9月4日

三.文献的目的

     解决在人脸识别领域，目前的算法与人眼的识别效果之间的差距，作者提出了使用3D建模技术的人脸校准和使用改进型的CNN作为特征提取的方法，使得该方法在LFW数据集上面得到与人眼不相上下的效果。

四.文献的贡献点

    1.使用改进型的深度神经网络和学习方法，使得该网络能够从大规模数据集中学习到能够用于其他数据集的人脸特征；

    2.提出了一种基于3D建模的人脸对齐系统

五.解决的问题

    1.为了提取底层特征，例如边缘和结构特征，作者使用了在输入层之后使用了两个卷积层和一个MaxPooling层来获得这些特征；

    2.为了解决使用太多的pooling层会使得人脸结构和一些细节的缺失，作者只使用了一个maxpooling层；

    3.由于对于对齐后的人脸来说，每一个区域所包含的统计信息是不一样的，这与传统的共享权值的卷积有矛盾，为了解决这个问题，作者提出了在特征图的不同位置使用不同的卷积核，也就是在后面的卷积层中，不再使用权值共享；

六.使用的数据库

    1.Social Face Classification (SFC) dataset

    2.Labeled Faces in the Wild database (LFW)

    3.YouTube Faces (YTF) dataset

七.实验结果

版权所有，欢迎转载，转载请注明出处，谢谢