深度学习的人脸表示具有稀疏性、选择性和鲁棒性
计算机视觉与模式识别
2014-12-04 v1
摘要
本文设计了一种用于人脸识别的高性能深度卷积网络 (DeepID2+)。该网络利用识别 - 验证监督信号进行训练。通过增加隐藏表示的维度并加强对早期卷积层的监督，DeepID2+ 在 LFW 和 YouTube Faces 基准测试中达到了新的最先进水平 (SOTA)。通过实证研究，我们发现了其深度神经激活中对高性能至关重要的三个特性：稀疏性、选择性和鲁棒性。(1) 观察到神经激活具有适度的稀疏性。适度的稀疏性最大化了深度网络的判别能力以及图像间的距离。令人惊讶的是，即使在神经响应二值化后，DeepID2+ 仍能实现高识别准确率。(2) 其高层神经元对身份及与身份相关的属性具有高度选择性。我们可以识别出不同的神经元子集，当存在不同身份或属性时，这些子集要么持续兴奋，要么持续抑制。尽管 DeepID2+ 在训练期间未被教导区分属性，但它已隐式学习了此类高层概念。(3) 它对遮挡具有更强的鲁棒性，尽管训练集中未包含遮挡模式。
引用
@article{arxiv.1412.1265,
title = {Deeply learned face representations are sparse, selective, and robust},
author = {Yi Sun and Xiaogang Wang and Xiaoou Tang},
journal= {arXiv preprint arXiv:1412.1265},
year = {2014}
}