歡迎大家來到本次課程，本次課程所分享的内容為人臉識别算法。
我們看一下本次課程的目錄
接下來我們開始吧，看一下主要的挑戰。
人臉識别所面臨的一個挑戰就是你需要解決一次學習問題，這意味着在大多數人臉識别應用中，你需要通過單單一張圖檔或者單單一個人臉樣例就能去識别這個人。
DeepFace是FaceBook提出來的，後續有DeepID和FaceNet出現。而且在DeepID和FaceNet中都能展現DeepFace的身影，是以DeepFace可謂是CNN在人臉識别的奠基之作，目前深度學習在人臉識别中也取得了非常好的效果。DeepFace在進行人臉識别的過程中采用的是人臉檢測——3D對齊——CNN提取特征——分類的過程。
C1：卷積層，卷積核尺寸11*11，共32個卷積核
M2：池化層，最大池化3*3，即stride = 2
C3：卷積層，卷積核尺寸9*9 ，共16個卷積核
L4： 卷積層，卷積核尺寸9*9 ，共16個卷積核。L表示local，意思是卷積核的參數不共享
L5： 卷積層，卷積核尺寸7*7 ，共16個卷積核。L表示local，意思是卷積核的參數不共享
L6： 卷積層，卷積核尺寸5*5 ，共16個卷積核。L表示local，意思是卷積核的參數不共享
F7： 全連接配接，4096個神經元
F8： 全連接配接，4030個神經元
FaceNet算法的提出:由Google工程師Florian Schroff，Dmitry Kalenichenko，James Philbin提出的人臉識别模型，發表于CVPR 2015。
FaceNet的特點：沒有用傳統的softmax的方式去進行分類學習，而是抽取其中某一層作為特征，學習一個從圖像到歐式空間的編碼方法，然後基于這個編碼再做人臉識别、人臉驗證和人臉聚類等。
1.通過MTCNN人臉檢測模型，從照片中提取人臉圖像。
2.把人臉圖像輸入到FaceNet，計算Embedding的特征向量。
3.比較特征向量間的歐式距離，判斷是否為同一人，例如當特征距離小于1的時候認為是同一個人，特征距離大于1的時候認為是不同人。
網絡結構1
網絡結構2
原創聲明，本文系作者授權騰訊雲開發者社群發表，未經許可，不得轉載。如有侵權，請聯系 [email protected] 删除。