人臉識別（Face Recognition）

---

一、人臉識別簡介（What is face recognition?）

• 人臉驗證：輸入一張帶人名/ID的人臉圖片，驗證是不是那個人。一對一問題。
• 人臉識別：輸入任一張人臉圖片，判斷人名/ID。要求更高的準確率。
  

---

二、一次學習（One Shot Learning）

數(shù)據(jù)庫中，通常每個人只有一個帶標簽的樣本，這是不足以訓練一個穩(wěn)健的卷積神經(jīng)網(wǎng)絡(luò)來進行人的識別。而且，在有新的樣本成員加入的時候，往往還需要對網(wǎng)絡(luò)進行重新訓練，不現(xiàn)實。所以我們不能以傳統(tǒng)的方法來實現(xiàn)識別系統(tǒng)。這就要用one shot learning 來解決，即單樣本學習。

one shot learning :

• 通過大型的數(shù)據(jù)庫訓練出把圖片變成另一種好的編碼格式的CNN。
• 輸入時通過該CNN轉(zhuǎn)化圖片編碼，然后和數(shù)據(jù)庫中的各經(jīng)過編碼的圖片進行比較，相似度最高的就是預測結(jié)果。
• 如果有新成員加入，則只需將其一張圖片添加至數(shù)據(jù)庫即可。
  

學習“similarity”函數(shù)：
衡量兩個樣本編碼間的差別有多大。同一標簽樣本之間的“similarity”函數(shù)值小，不同一標簽樣本的之間的大。

---

三、Siamese Network

• Siamese網(wǎng)絡(luò)其實是一個CNN，只是最后輸出的是圖像的編碼，不是識別的結(jié)果。
• 一旦從大型數(shù)據(jù)庫學習到這個CNN，CNN的參數(shù)就變成固定的了，和我們數(shù)據(jù)庫無關(guān)。

學習的目標：同一標簽樣本的編碼差別小，不同標簽樣本的編碼差別大。

---

四、三元組損失函數(shù)（Triplet Loss）

三元組損失函數(shù)：

損失函數(shù)中樣本組合（A, P, N），少選那些很容易區(qū)分的組合，多選那些不容易區(qū)分的組合，這樣才能學得更準確。

---

五、臉部驗證和二分類（Face Verification and Binary Classification）

學習“similarity”函數(shù)時，也可以用二分類的方法來學習。

---

神經(jīng)風格轉(zhuǎn)換（Neural Style Transfer）

---

六、神經(jīng)風格轉(zhuǎn)換簡介（What is neural style transfer?）

---

七、卷積神經(jīng)網(wǎng)絡(luò)在學習什么（What are deep ConvNets learning?）

---

八、損失函數(shù)（Cost Function）

把要生成的帶風格圖像的所有像素值當做要學習的參數(shù)，隨機初始化，用梯度下降法去更新圖像的像素值。

Cost Function：

Content Cost Function：

Style Cost Function：

---

九、一維和三維的卷積（1D and 3D Generalizations）

一維卷積：

三維卷積：

---

總結(jié)

以上是生活随笔為你收集整理的吴恩达深度学习笔记13-Course4-Week4【人脸识别和神经风格转换】的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。