DeepID3 face recognition
DeepID3 face recognition
刚看完DeepID3[1]，总结一下，还是先简单介绍一下网络结构吧。
Network Architecture
由两种不同的结构组成,分别是Net1和Net2.\ 相较于基于\ [2] 的 DeepId+\ 方法,在其架构设计中融入了 Inception 模块.\ 其中具体应用于 Net\textbackslash{}{}\textbackslash{}{}-net 中的 Inception 模块.\ 相邻的两个卷积层连续连接的情况较为特殊,在这一设计下不仅提升了网络的空间感知能力并增强了非线性表达能力,并且有助于控制模型复杂度以避免过拟合风险.\ 通过图示可以看出这种设计特点;从图中可见网络架构
Perfomance
基于训练数据集，在继续沿用与DeepID2+相同的样本集合情况下（...），经过对经过25个image patches处理后的网络架构中进行比较分析时（...），其中，在net1结构下展现出显著的优势（...），相比之下，在net2结构下虽然有所改进但提升幅度有限且不够突出（...）。
在LFW数据集上进行面部验证测试时, DeepID3系统达到了惊人的99.53%的准确率, 但其性能提升幅度相对较小, 仅比 DeepID2+ 的 99.47% 高出约0.06个百分点。值得注意的是, 在修正这些误标后, 两者的准确率均达到了 99.52% 。
Conclusion
DeepID3原文篇幅较为简短,相较于之前的研究,其主要改进体现在网络深度方面,并增添了一定数量的inception层以提升特征提取能力。然而,经过修正LFW数据集中的相关问题后,其测试精度并未显著超越基于深度学习框架构建的基础模型DeepID2+.由此可知,单纯增加网络层数以及引入inception层等结构优化措施并未带来实质性的性能提升效果。因此,在这一层面上,深度增强的优势似乎并不明显;但我们不能完全否定这种改动的价值,因为这可能暗示着未来研究的方向在于结合更为复杂的架构设计与丰富的训练数据集以进一步提升性能表现。
References
[1] Sun Y, Liang D, Wang X, 等. DeepID3系统通过极其深的神经网络实现面部识别[J]. arXiv预印本arXiv:1502.00873, 2015.
[2] Sun Y, Liang D, Wang X, 等. DeepID3系统通过极其深的神经网络实现面部识别[J]. arXiv预印本arXiv:1502.00873, 2015.
[3] Simonyan K, Zisserman A. 高度深的卷积神经网络用于大规模图像识别[J]. arXiv预印本arXiv:1409.1556, 2014.
[4] Szegedy C, Liu W, Jia Y, 等. 通过更深的卷积结构来提升性能[J]. arXiv预印本arXiv:1409.4842, 2014.
[5] Yi Sun、Xiaogang Wang和XiaoouTang提出了一种基于预测1万个类别的深度学习面部表示方法[C]//计算机视觉与模式识别会议(CVPR). 2014: 未给出具体页码信息.
[6] Sun Y、Chen Y、Wang X等提出了通过联合身份识别与验证机制构建深度学习面部表示模型的方法[C]//神经信息处理系统的进展会议. 2014: 未给出具体页码信息.