MTCNN做人脸识别任务

一、人脸检测

 

二、人脸识别

-  输入：固定大小的图像

-  问题1：需要使用的网络层数更多

　　-  如何完成优化

- 问题2：能处理多个类的情况

　　-  类似于迁移学习

 

1、 模型1：VGGNet

　　- 3*3 娟娟核心代替5*5的卷积

　　- 训练参数多

2、 模型2：GoogleNet、Inception

　　特点1- 将一个大的卷积核心拆分成多个小的卷积核心

   　　网络模型优化：

　　　　- input输入进来之后，通过1*1卷积核心

　　　　如：用tensorflow基础的变换实现

　　　　　　input ： B H W C1

　　　　　　中间的变换过程：H ·W （其中W为(1,1,C1,C2)）

　　　　　　output:   B H W C2

　　特点2- 可以看作是VGGNet基础上的改进

　　特点3- 1*1 的卷积称为逐点卷积

　　特点4- 解决了可训练参数多的问题

3、模型3：ResNet

　　特点1- 解决了梯度消失的问题　　

　　特点2-网络层数可以达到很深

 

4、BatchNorm优化必不可少

　　- 使得网络容易收敛，加快收敛速度

　　- 在一定程度上提升精度

三、损失函数

三元损失函数：

思想；相同的人脸的距离小于不同的人脸的距离

loss = (VA1-VA2)^2 + a - (VA1-VB)^2