一顿锰、人臉識別綜述
這里找到兩篇較全面的綜述文章：
（1）基于深度學(xué)習(xí)的人臉識別技術(shù)綜述
（2）人臉識別長篇研究
（4）人臉檢測算法綜述
（5）人臉識別博客
1肺稀、在LFW數(shù)據(jù)集上例衍，獲得較優(yōu)秀結(jié)果的幾種人臉識別方法
（1）face++(0.9950)
（2）DeepFace（0.9735）
常規(guī)的人臉識別流程是：人臉檢測-對齊-表達-分類。本文采用額外的3d模型改進了人臉對齊方法雌隅，然后基于4million人臉圖像(4000個個體)訓(xùn)練的一個9層的人工神經(jīng)網(wǎng)絡(luò)來進行人臉特征表達窘问。本文有兩個亮點：一是采用3d模型的人臉對齊方法，二是大數(shù)據(jù)訓(xùn)練的人工神經(jīng)網(wǎng)絡(luò)隧期。
（3）FR+FCN（0.9645 ）
自然條件下飒责，因為角度赘娄，光線，occlusions（咬合/張口閉口）读拆，低分辨率等原因擅憔，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)用檐晕。本文提出了一種新的深度學(xué)習(xí)模型暑诸，可以學(xué)習(xí)人臉圖像看不見的一面。因此辟灰，模型可以在保持個體之間的差異的同時个榕，極大的減少單個個體人臉圖像（同一人，不同圖片）之間的差異芥喇。與當(dāng)前使用2d環(huán)境或者3d信息來進行人臉重建的方法不同西采，該方法直接從人臉圖像之中學(xué)習(xí)到圖像中的規(guī)則觀察體（canonical? view，標準正面人臉圖像）继控。作者開發(fā)了一種從個體照片中自動選擇/合成canonical-view的方法械馆。在應(yīng)用方面，該人臉恢復(fù)方法已經(jīng)應(yīng)用于人臉核實武通。同時霹崎，該方法在LFW數(shù)據(jù)集上獲得了當(dāng)前最好成績。該文章的亮點在于：一冶忱，新的檢測/選擇canonical-view的方法尾菇；二，訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)來重建人臉正面標準圖片（canonical-view）囚枪。
（4）DeepID（0.9745 ）
深度學(xué)習(xí)在人臉識別領(lǐng)域的應(yīng)用提高了人臉識別準確率派诬。本文中，我們使用了兩種深度神經(jīng)網(wǎng)絡(luò)框架（VGG net 和GoogleLeNet）來進行人臉識別链沼。兩種框架ensemble結(jié)果在LFW數(shù)據(jù)集上可以達到0.9745的準確率默赂。文章獲得高準確率主要歸功于大量的訓(xùn)練數(shù)據(jù)，文章的亮點僅在于測試了兩種深度卷積神經(jīng)網(wǎng)絡(luò)框架括勺。
（5）FaceNet(0.9963)
作者開發(fā)了一個新的人臉識別系統(tǒng)：FaceNet放可，可以直接將人臉圖像映射到歐幾里得空間，空間的距離代表了人臉圖像的相似性朝刊。只要該映射空間生成耀里，人臉識別，驗證和聚類等任務(wù)就可以輕松完成拾氓。該方法是基于深度卷積神經(jīng)網(wǎng)絡(luò)冯挎，在LFW數(shù)據(jù)集上，準確率為0.9963，在YouTube Faces DB數(shù)據(jù)集上房官，準確率為0.9512趾徽。FaceNet的核心是百萬級的訓(xùn)練數(shù)據(jù)以及 triplet loss。
