基于深度學(xué)習(xí)的人臉識別技術(shù)綜述

基于深度學(xué)習(xí)的人臉識別技術(shù)綜述 基于深度學(xué)習(xí)的人臉識別技術(shù)綜述同時人臉識別的研究領(lǐng)域非常廣泛。因此，本技術(shù)綜述限定于：一，在LFW數(shù)據(jù)集上()獲得優(yōu)秀結(jié)果LFW數(shù)據(jù)集()是目前用得最多的人臉圖像數(shù)據(jù)庫。 (無限制，可以使用外部標(biāo)注的數(shù)據(jù))，許多方法已經(jīng)趕上(超過)人工識別精度，比如表二：第六種標(biāo)準(zhǔn)下，部分模型的識別準(zhǔn)確率(詳情準(zhǔn)確度)；二，公布了方法(部分結(jié)果為商業(yè)公司提交，方法并未公布，比如)；三，使用深度學(xué)習(xí)方 face++(0.9950)；2，DeepFace(0.9735)；(0.9977)；7,pose+shape+expressionntationCNNDMMface集了5million張人臉圖片用于訓(xùn)常高。該篇文章的網(wǎng)路模型很常規(guī)(常規(guī)深度卷積神經(jīng)網(wǎng)絡(luò)模型)，但是提出的問題是值得參考的。率。在真實場景測試中(ChineseID(CHID))，該系統(tǒng)的假陽性率(FP=10-5)非常低。但是，真陽之一。而在該測試標(biāo)準(zhǔn)(CHID)下，人類表現(xiàn)的準(zhǔn)確率大于0.90。 問題四：人臉圖片的角度，光線，閉合(開口、閉口)和年齡等差異相互的作用，導(dǎo)人臉識別系統(tǒng)現(xiàn)實應(yīng)用準(zhǔn)確率很低。人臉畫面接近于現(xiàn)實應(yīng)用場景(變化的角度，光照，表情等)；方向二：通過人臉合成方法增加訓(xùn)練數(shù)據(jù)。因為單個個體不同的照片很困難(比如，難以搜集大量的單個個體不同年齡段的照片，可以采用人臉合成的方法(比如3D人臉重建)生成單個個體不同年齡段的照片)。該文章提出的方向在后續(xù)方法介紹中均有體現(xiàn)。2，DeepFace(0.9735)2.1簡介million方法，最終生成正面圖像。深度神經(jīng)網(wǎng)絡(luò)2.4結(jié)果 3，F(xiàn)R+FCN(0.9645)3.1簡介occlusions率等原因，使人臉圖像在個體之間有很大的差異，影響到人臉識別的廣泛應(yīng)用。本文提出了一種新保持個體之間的差異的同時，極大的減少單個個體人臉圖像(同一人，不同圖片)之間的差異。與中學(xué)習(xí)到圖像中的規(guī)則觀察體(canonicalview，標(biāo)準(zhǔn)正面人臉圖像)。作者開發(fā)了成canonical-view的方法。在應(yīng)用方面，該人臉恢復(fù)來重建人臉正面標(biāo)準(zhǔn)圖片(canonical-view)。照以下三個標(biāo)準(zhǔn)來采集個體人臉圖片：一，人臉對稱性(左右臉的差異)進(jìn)行升序排l4，DeepID(0.9745)4.1簡介。本文中，我們使用了兩種深度神經(jīng)網(wǎng)絡(luò)框架(VGGnet和GoogleLeNet)來進(jìn)行人臉識別。兩種框架ensemble結(jié)。4.2深度神經(jīng)網(wǎng)絡(luò)框架FaceNet.9963)5.1簡介。只要該映射空間生成，人臉識別，驗證和5.2tripletloss5.5.3深度卷積神經(jīng)網(wǎng)絡(luò)126.1簡介learningmillion(18000個個體)的訓(xùn)練集訓(xùn)multipatchdeepCNN3deepmetriclearningposeshapeexpressionaugmentation)度，生成新的角度的人臉)。首先，通過人臉特征點(diǎn)檢測(faciallandmarkdetector根據(jù)人臉特征點(diǎn)和開放的Basel3Dfaceset數(shù)據(jù)庫7-1pose(角度)生成示意圖7.1簡介該文章的主要思路是對數(shù)據(jù)集進(jìn)行擴(kuò)增(dataaugmentation)。CNN深度學(xué)習(xí)模型，數(shù)據(jù)所耗費(fèi)的人力，物力，財力是很大的，所以商業(yè)公司使用的圖人臉數(shù)據(jù)訓(xùn)練一樣好的結(jié)果。該文章的思路很好，很適合普通研expression用中性嘴圖7-3不同表情(開口/閉口)生成示意圖CNNDMMestimation.9235)8.1簡介d似。因此，作者研究了一種魯棒的三維可變?nèi)四樐Ｐ?3Dmorphablefacemodels(3DMM))生成方法。他們采用了卷積神經(jīng)網(wǎng)絡(luò)(CNN)來根據(jù)輸入照片來調(diào)節(jié)三維人臉數(shù)據(jù)作者采用了近期發(fā)表的多圖像3DMM生成方法(M.Piotraschke2016)。他們在CASIA10K個體)。Singleimage3DMMfittingMultiimage3DMMfitting8.3.1TheasymmetricEuclideanloss8.4實驗結(jié)果th2人臉識別8.4.3定性結(jié)果DeepFace)；3,FR+FCN(0.9645)；4，DeepID(0.9745)；5，F(xiàn)aceNet(0.9963)；6，baidu的方法(0.9977)；7,pose+shape+expressionnCNNDMMestimation大企業(yè)，未來可以搜集更多更全的訓(xùn)練數(shù)據(jù)集。數(shù)據(jù)集包擴(kuò)同一個體不同年齡段的照片，不同人種的照片，不同類型(美丑等)。通過更全面的數(shù)據(jù)，提高模型對