吴恩达卷积神经网络——人脸识别和神经风格转换

1. 人脸识别

人脸验证（Face Verification）和人脸识别（Face Recognition）的区别：

• 人脸验证：一般指一个一对一问题，只需要验证输入的人脸图像是否与某个已知的身份信息对应；
• 人脸识别：一个更为复杂的一对多问题，需要验证输入的人脸图像是否与多个已知身份信息中的某一个匹配。
• 一般来说，由于需要匹配的身份信息更多导致错误率增加，人脸识别比人脸验证更难一些。

One-Shot学习： 只用一个训练样本来获取准确的数据。要让人脸识别能够做到一次学习，需要学习 Similarity 函数，差异度函数。

• 可以设置一个超参数ε 作为阈值，作为判断两幅图片是否为同一个人的依据
• 对于人脸识别问题，只需计算测试图片与数据库中K个目标的相似函数，取其中d(img1,img2)最小的目标为匹配对象。若所有的d(img1,img2)都很大，则表示数据库没有这个人
• 如果之后有新人加入了团队，只需将他的照片加入数据库，系统依然能照常工作

Siamese 网络：利用梯度下降算法不断调整网络参数，使得属于同一人的图片之间d(x(1),x(2))很小，而不同人的图片之间d(x(1),x(2))很大。即神经网络的参数定义了一个编码函数f(x(i))，如果给定输入图像x(i)，这个网络会输出x(i)的128维的编码。然后要做的就是学习参数

• 如果两个图片x(i)和x(j)是同一个人，那么得到的两个编码的距离就小
• 如果x(i)和x(j)是不同的人，那么编码距离就大
• 如果改变这个网络所有层的参数，会得到不同的编码结果，通过反向传播来改变这些所有的参数，以确保满足这些条件 

三元组损失函数：

 

间隔参数α也被称为边界margin，类似于支持向量机中的margin，拉大了Anchor和Positive图片对和Anchor与Negative图片对之间的差距。

2. 神经风格转移

神经风格迁移生成图片G的代价函数

 

• α、β 是用于控制相似度比重的超参数。
• 神经风格迁移的算法步骤如下：随机生成图片 G 的所有像素点；使用梯度下降算法使代价函数最小化，以不断修正 G 的所有像素点。

内容代价函数

 

• 使用一个预训练好的 CNN（例如 VGG）；选择一个隐藏层 l 来计算内容代价。
• l 太小则内容图片和生成图片像素级别相似，l 太大则可能只有具体物体级别的相似。因此，l 一般选一个中间层；设 a(C)[l]、a(G)[l]为 C 和 G 在 l层的激活
• a(C)[l] 和 a(G)[l] 越相似，则 Jcontent(C,G)越小

风格代价函数

　　用于计算这两个通道的相关性，相关性的大小，即表示原始图片同时包含两个通道图片的可能性大小。通过 CNN，“风格”被定义为同一个隐藏层不同通道之间激活值的相关系数，因其反映了原始图片特征间的相互关系。

　　卷积神经网络也可以延伸到一维ihe三维数据，如EKG心电图和CT扫描