当人脸识别遇上深度学习：卷积神经网络在人脸识别中的评估
计算机视觉与模式识别
2015-04-10 v1 机器学习
神经与进化计算
摘要
深度学习，特别是卷积神经网络（CNN），近年来在人脸识别中取得了有前景的结果。然而，为何CNN工作良好以及如何设计“好”的架构仍是一个开放问题。现有工作倾向于关注报告适用于人脸识别的CNN架构，而非调查原因。在本工作中，我们在共同基础上对基于CNN的人脸识别系统（CNN-FRS）进行了广泛评估，以使我们的工作易于复现。具体而言，我们使用公开数据库LFW（Labeled Faces in the Wild）来训练CNN，而不像大多数现有CNN在私有数据库上训练。我们提出了三种CNN架构，这是首批报道的使用LFW数据训练的架构。本文定量比较了CNN的架构并评估了不同实现选择的效果。我们确定了CNN-FRS的几个有用特性。例如，学习到的特征的维度可以显著降低而对人脸识别精度无不利影响。此外，评估了利用CNN学习特征的传统度量学习方法。实验表明，良好的CNN-FRS性能的两个关键因素是多个CNN的融合和度量学习。为使我们的工作可复现，源代码和模型将公开提供。
引用
@article{arxiv.1504.02351,
title = {When Face Recognition Meets with Deep Learning: an Evaluation of Convolutional Neural Networks for Face Recognition},
author = {Guosheng Hu and Yongxin Yang and Dong Yi and Josef Kittler and William Christmas and Stan Z. Li and Timothy Hospedales},
journal= {arXiv preprint arXiv:1504.02351},
year = {2015}
}
备注
7 pages, 4 figures, 7 tables