人脸识别学习 1

0.前言

本文记载网上各种关于  人脸识别 的知识，不定期更新

1.概括

人脸识别系统 主要分为三大部分：人脸检测，人脸定位（矫正），人脸识别

人脸检测：有基于机器学习的算法的，有 基于深度学习的，可以关注R-CNN及其后面的衍生系列

人脸定位：这个不太了解，主要是标记关键的点（眼睛，鼻子等），有5点到很多点不等。用于人脸的矫正

人脸识别：应用较广的领域，也是我重点学习的方向。

2.人脸识别

初级的人脸识别可以看做是一个多分类问题，但本质上人脸识别是个特征提取的问题。

目前主要的研究方向有三个：

1.网络结构的优化：从alnexnet到vgg到resnet，到最近的DeepID，FaceID等，都是在特征提取和参数数量优化上下文章，这一般是Google，Facebook等大公司才能挑战的。

2.数据集

数据是一切的基础，LFW等早期的人脸数据集样本少且不具代表性，大公司和研究所们提供了越来越大的数据集。

3.Loss损失函数

学术界大多围绕这个开展，最初的Softmax-loss只是将人脸看做一个我分类问题，我用resnet18网络，1400张图片训练测试200个人，准确率达到72%左右，详情可见  https://blog.csdn.net/sinat_37787331/article/details/80149034

关于loss的演变推荐几个好的博主       https://github.com/KaleidoZhouYN/Loss-Functions

https://www.cnblogs.com/heguanyou/p/7503025.html     

https://zhuanlan.zhihu.com/p/34404607  

https://github.com/JuZiSYJ/sphereface_pytorch

接下来写我自己对于loss的学习理解

4.centerloss

2016年提出，传统的softmax关注分类，centerloss提出分类的同时也要关注聚类，于是有了下面著名的图

主要的代码实现：https://github.com/ydwen/caffe-face（基于caffe）

https://github.com/jxgu1016/MNIST_center_loss_pytorch（基于pytroch，但我没有复现出这个效果，mnist训练下来的acc只有11%，不知道哪里错了）

5.A-softmax-loss，sphereface

这两个是softmax进行修改，将不同类之间的角度扩大。

这个博主讲的很好   http://www.cnblogs.com/heguanyou/p/7503025.html

一些实现的代码： https://github.com/JuZiSYJ/sphereface_pytorch

https://github.com/wy1iu/sphereface