人脸识别 - DeepFace(Facebook的人脸识别)

时间:2024-04-07 15:40:50

连续看了DeepID和FaceNet后,看了更早期的一篇论文,即FB的DeepFace。这篇论文早于DeepID和FaceNet,但其所使用的方法在后面的论文中都有体现,可谓是早期的奠基之作。因而特写博文以记之。

DeepFace基本框架

人脸识别的基本流程是:

detect -> aligh -> represent -> classify

人脸对齐流程:

人脸识别 - DeepFace(Facebook的人脸识别)

a. 人脸检测,使用6个基点
b. 二维剪切,将人脸部分裁剪出来
c. 67个基点,然后Delaunay三角化,在轮廓处添加三角形来避免不连续
d. 将三角化后的人脸转换成3D形状
e. 三角化后的人脸变为有深度的3D三角网
f. 将三角网做偏转,使人脸的正面朝前。
g. 最后放正的人脸
h. 一个新角度的人脸(在论文中没有用到)

总体上说,这一步的作用就是使用3D模型来将人脸对齐,从而使CNN发挥最大的效果。

人脸表示(人脸特征描述)

人脸识别 - DeepFace(Facebook的人脸识别)
经过3D对齐以后,形成的图像都是152×152的图像,输入到上述网络结构中,该结构的参数如下:

Conv: 32个11×11×3的卷积核
max-pooling: 3×3, stride=2
Conv: 16个9×9的卷积核
Local-Conv: 16个9×9的卷积核,Local的意思是卷积核的参数不共享
Local-Conv: 16个7×7的卷积核,参数不共享
Local-Conv: 16个5×5的卷积核,参数不共享
Fully-connected: 4096维
Softmax: 4030维

前三层的目的:在于提取低层次的特征,比如简单的边和纹理。其中Max-pooling层使得卷积的输出对微小的偏移情况更加鲁棒。但没有用太多的Max-pooling层,因为太多的Max-pooling层会使得网络损失图像信息。

后三层的目的:都是使用参数不共享的卷积核,之所以使用参数不共享,有如下原因:

  1. 对齐的人脸图片中,不同的区域会有不同的统计特征,卷积的局部稳定性假设并不存在,所以使用相同的卷积核会导致信息的丢失。
  2. 不共享的卷积核并不增加抽取特征时的计算量,而会增加训练时的计算量。
  3. 使用不共享的卷积核,需要训练的参数量大大增加,因而需要很大的数据量,然而这个条件本文刚好满足。

全连接层将上一层的每个单元和本层的所有单元相连,用来捕捉人脸图像不同位置的特征之间的相关性。其中,第7层(4096-d)被用来表示人脸。

全连接层的输出可以用于Softmax的输入,Softmax层用于分类。

人脸表示归一化

对于输出的4096-d向量:

  1. 先每一维进行归一化,即对于结果向量中的每一维,都要除以该维度在整个训练集上的最大值。
  2. 每个向量进行L2归一化

人脸识别、分类

得到表示后,使用了多种方法进行识别、分类:

  1. 直接算内积
  2. 加权的卡方距离
  3. 使用Siamese网络结构

加权卡方距离计算公式如下:
人脸识别 - DeepFace(Facebook的人脸识别)
其中,加权参数由线性SVM计算得到。

Siamese网络结构是成对进行训练,得到的特征表示再使用如下公式进行计算距离:
人脸识别 - DeepFace(Facebook的人脸识别)
其中,参数alpha是训练得到。Siamese网络与FaceNet就很像了。

试验评估

数据集

  1. Social Face Classification Dataset(SFC): 4.4M张人脸/4030人
  2. LFW: 13323张人脸/5749人
    a. restricted: 只有是/不是的标记
    b. unrestricted:其他的训练对也可以拿到
    c. unsupervised:不在LFW上训练
  3. Youtube Face(YTF): 3425videos/1595人

Training on SFC

  1. 训练使用的人数不同(1.5K/3.3K/4.4K)
  2. 训练使用的照片数目不同(10%/20%/50%)
  3. 使用的网络不同(去掉第三层/去掉第4、5层/去掉第3、4、5层)
    人脸识别 - DeepFace(Facebook的人脸识别)

Results on LFW

人脸识别 - DeepFace(Facebook的人脸识别)

Results on YTF

人脸识别 - DeepFace(Facebook的人脸识别)

总结

DeepFace与之后的方法的最大的不同点在于,DeepFace在训练神经网络前,使用了对齐方法。论文认为神经网络能够work的原因在于一旦人脸经过对齐后,人脸区域的特征就固定在某些像素上了,此时,可以用卷积神经网络来学习特征。

针对同样的问题,DeepID和FaceNet并没有对齐,DeepID的解决方案是将一个人脸切成很多部分,每个部分都训练一个模型,然后模型聚合。FaceNet则是没有考虑这一点,直接以数据量大和特殊的目标函数取胜。

在DeepFace论文中,只使用CNN提取到的特征,这点倒是开后面之先河,后面的DeepID、FaceNet全都是使用CNN提取特征了,再也不谈LBP了。

参考文献

[1]. Taigman Y, Yang M, Ranzato M A, et al. Deepface: Closing the gap to human-level performance in face verification[C]//Computer Vision and Pattern Recognition (CVPR), 2014 IEEE Conference on. IEEE, 2014: 1701-1708.