FaceNet人臉識別（一）
與其他的深度學(xué)習(xí)方法在人臉上的應(yīng)用不同，F(xiàn)aceNet并沒有用傳統(tǒng)的softmax的方式去進行分類學(xué)習(xí)，然后抽取其中某一層作為特征，而是直接進行端對端學(xué)習(xí)一個從圖像到歐式空間的編碼方法，然后基于這個編碼再做人臉識別、人臉驗證和人臉聚類等。
FaceNet算法有如下要點：
?
去掉了最后的softmax，而是用元組計算距離的方式來進行模型的訓(xùn)練。使用這種方式學(xué)到的圖像表示非常緊致，使用128位足矣。
元組的選擇非常重要，選的好可以很快的收斂。
?
對于整個FaceNet結(jié)構(gòu)，這里的特征提取可以當(dāng)作一個黑盒子，可以采用各式各樣的網(wǎng)絡(luò)。最早的FaceNet采用兩種深度卷積網(wǎng)絡(luò)：經(jīng)典Zeiler&Fergus架構(gòu)和Google的Inception v1。最新的FaceNet進行了改進，主體模型采用一個極深度網(wǎng)絡(luò)Inception ResNet -v2，由3個帶有殘差連接的Inception模塊和1個Inceptionv4模塊組成。
FaceNet 結(jié)構(gòu)
從上面的圖中可以看到，整個FaceNet分為5個部分，具體表示如下：
batch ：是指輸入的人臉圖像樣本，這里的樣本是已經(jīng)經(jīng)過人臉檢測找到人臉并裁剪到固定尺寸（例如160x160）的圖片樣本。
?Deep architecture：指的是采用一種深入學(xué)習(xí)架構(gòu)例如imagenet歷年冠軍網(wǎng)絡(luò)中的VGG，GoogleNet等，本文中我們將使用MoblieNetv2 作為主要的特征提取網(wǎng)絡(luò)。
L2 ：是指特征歸一化（使其特征的||f(x)||2=1,這里是2次方的意思。這樣所有圖像的特征都會被映射到一個超球面上)
Embeddings：就是前面經(jīng)過深度學(xué)習(xí)網(wǎng)絡(luò)，L2歸一化后生成的特征向量（這個特征向量就代表了輸入的一張樣本圖片）
Triplet Loss：就是有三張圖片輸入的Loss（之前的都是Double Loss或者 是 SingleLoss）。直接學(xué)習(xí)特征間的可分性：相同身份之間的特征距離要盡可能的小，而不同身份之間的特征距離要盡可能的大
主體網(wǎng)絡(luò)更改
這里我們需要提及兩個比較重要的點，我們將使用MoblieNet替換原本的網(wǎng)絡(luò)，這是是谷歌在2017年提出，是一款專注在移動設(shè)備和嵌入式設(shè)備上的輕量級CNN神經(jīng)網(wǎng)絡(luò)，并迅速衍生了V1 V2以及V3版本，它相比于傳統(tǒng)的CNN網(wǎng)絡(luò)，在準確率小幅減低的前提下，大大減少模型參數(shù)的運算量。模型結(jié)構(gòu)如下：
Triplet Loss
另一個是Triplet Loss，在深度學(xué)習(xí)中，很多度量學(xué)習(xí)的方法都是使用成對成對的樣本進行l(wèi)oss計算的，這類方法被稱為 pair-based deep metric learning。例如，在訓(xùn)練模型的過程，我們隨意的選取兩個樣本，使用模型提取特征，并計算他們特征之間的距離。如果這兩個樣本屬于同一個類別，那我們希望他們之間的距離應(yīng)該盡量的小，甚至為0；如果這兩個樣本屬于不同的類別，那我們希望他們之間的距離應(yīng)該盡量的大，甚至是無窮大。正是根據(jù)這一原則，衍生出了許多不同類型的pair-based loss，使用這些loss對樣本對之間的距離進行計算，并根據(jù)生成的loss使用各種優(yōu)化方法對模型進行更新。
?
其中，使用最為廣泛的就當(dāng)屬三元組損失了（Triplet loss），Triplet Loss的思想是讓負樣本對之間的距離大于正樣本對之間的距離，在訓(xùn)練過的過程中同時選取一對正樣本對和負樣本對，且正負樣本對中有一個樣本是相同的。以狗、狼、貓數(shù)據(jù)為例，首先隨機選取一個樣本，此樣本稱之為anchor 樣本，假設(shè)此樣本類別為狗，然后選取一個與anchor樣本同類別的樣本（另一個狗狗），稱之為positive，并讓其與anchor樣本組成一個正樣本對（anchor-positive）；再選取一個與anchor不同類別的樣本（貓），稱之為negative，讓其與anchor樣本組成一個負樣本對（anchor-negative）。這樣一共選取了三個樣本，這也是為什么叫triplet的原因了。
Triplet Loss 的公式如下，通過公式可以看出，當(dāng)負樣本對之間的距離比正樣本對之間的距離大m的時候，loss為0 ，認為當(dāng)前模型已經(jīng)學(xué)的不錯了，所以不對模型進行更新。
Triplet Loss最先被用于人臉識別中，如下圖，輸入一個triplet對（三張圖像），使用同一個網(wǎng)絡(luò)對這個三張圖像進行特征提取，得到三個embedding向量，三個向量輸入到Triplet Loss中得到loss，然后根據(jù)loss值使用反向傳播算法對模型進行更新。
對于FaceNet的網(wǎng)絡(luò)結(jié)構(gòu)解析就到這里了，下個推文中我們將對數(shù)據(jù)進行解析，并進行處理，喜歡的可以繼續(xù)關(guān)注哦！