学习鲁棒的深度人脸表示
计算机视觉与模式识别
2015-07-20 v1
摘要
随着卷积神经网络的发展，越来越多的研究者关注CNN在人脸识别任务上的优势。本文提出一种深度卷积网络用于学习鲁棒的人脸表示。该深度卷积网络由4个卷积层、4个最大池化层和2个全连接层构成，总共包含约4M参数。使用Max-Feature-Map激活函数代替ReLU，因为ReLU可能因稀疏性导致信息丢失，而Max-Feature-Map能获得紧凑且具判别力的特征向量。模型在CASIA-WebFace数据集上训练，在LFW数据集上评估。在LFW上无监督设定下单一网络的结果达到97.77%。
引用
@article{arxiv.1507.04844,
title = {Learning Robust Deep Face Representation},
author = {Xiang Wu},
journal= {arXiv preprint arXiv:1507.04844},
year = {2015}
}