标签：pap 不同 splay LEDE Edito pipeline 没有 The oid
港中文汤晓鸥团队在DeepID_v1基础上提出的新版本架构，发表于NIPS2014
一、Architecture
二、Pipeline
图片被分成20regions，每个region有5scales，2RGB&Gray共10种模式，共生成200个pathes，进行水平翻转，分别送入200个网络中。
以1个55 * 47的RGB 模式patch为例，过程和DeepID_v1相似，最后生成1个160维的向量。
用前后向贪心算法，从400个DeepID中，筛选出25个有效且互补的DeepID2向量，缩减计算规模，得到160*25 = 4000的特征值。
再利用PCA对此向量进行降维，得到1* 180的向量，以此向量为依据，做cls和verif，cls用交叉熵，verif用join Bayesian。
三、相比于DeepID_V1的改动
网络结构没有多大改动，重点是在loss计算上。众所周知，表征人脸的特征最好能使不同的人脸之间的差异尽可能大，使相同人脸的不同照片人脸之间差异尽可能小。我们希望得到一个网路，这个网络计算出来的特征vector尽可能满足上述条件。设计loss函数如下：
（一）分类loss
F是特征向量，θid是softmax层参数，t是label的分类结果。
（二）Verification loss
1.类内loss
当 ，input image和标签数据是同一个分类，此时训练网络，使之与label中的特征，尽可能的相近。
2.类间loss
当 ，input image和标签数据属于不同分类。
m为超参数，事先指定好。由上图知，当输入的图片的特征vector，和label的vector差异很大，其L2距离超过m时，loss值为0，网络倾向于学习，使类间距离尽可能的大的vector。
总Verification loss为类间loss和类内loss的加权和，权重各为0.5。
之前业界普遍采用的方法是L1/L2范式和余弦相似度，文中采用一种基于L2 Norm的损失函数。paper中作者测试了其他几种距离算法对准确率的影响，L2距离的性能最好。
（三）cls和verif的组合
选取合适的λ，调整verif loss在总loss中的系数,当λ=0时，不计算verfi的loss，文中选取λ=0.5
三、网络成绩
LFW共有5749个人的数据，共13233张脸。数据集太小，paper中引入外部数据集CelebFace+，有10177个人的数据，共202599张脸。
为充分利用从大量图像块中提取到的特征，作者重复使用7次前项后向贪婪算法选取特征，每次的选择是从之前的选择中未被留下的部分中进行选取。然后在每次选择的特征上，训练联合贝叶斯模型。再将这七个联合贝叶斯模型使用SVM进行融合，得到最佳的效果在LFW上为99.15%。
五、小结
DeeoID_V2印象最深的就是loss函数的创新，之前听师兄说发paper的3点分别是数据集，网络架构和loss函数，这次又验证了这一个观点。
DeepID_V2解读
标签：pap 不同 splay LEDE Edito pipeline 没有 The oid
原文地址：https://www.cnblogs.com/jiangshaoyin/p/10930023.html
