來源：http://blog.csdn.net/ice_actor/article/details/78603042

1.什麽是人臉識別

??這部分演示了百度總部大樓的人臉識別系統，員工刷臉進出辦公區，在這個演示中主要應用到了人臉識別技術和活體檢測。 人臉識別的術語： 1）face verification：輸入圖像、名字ID判斷輸入圖像是不是名字ID指定的用戶 2）face recognition：有一個包含K個用戶的數據庫，拿到一幅圖片，然後判斷圖片中的人是不是在數據庫中，在輸出指定用戶name，不在就輸出未識別。 ??人臉識別要比人臉驗證要困難的多，在人臉驗證中準確率99%也許可以接受，但是放到包含100個用戶的人臉識別數據集下，這個誤差就會被放大，意味著1%的概率會出錯。在後續我們首先構建人臉驗證系統作為基本模塊，如果準確率夠高就可以把它用在識別系統上。人臉驗證系統的難點在於解決one-shot learning（一次學習）問題。

2. one-shot learning

??one-shot的意思是你需要通過單單一張圖片，就能去識別這個人，但是在深度學習中只有一個訓練樣本時，它的表現並不好，那麽如何去解決這個問題呢？ ??假如員工數據庫有四個員工，當某個員工來的時候，你想通過人臉識別系統判斷他是不是四個員工之一，系統需要做的是僅僅通過一張照片，來識別前面這個人。所以在one-shot學習問題中只能通過一個樣本來進行學習以能夠認出同一個人，大多數人臉識別系統都要解決這個問題，因為在你的數據庫中每個雇員可能都只有一張照片。有一種辦法是將人的照片輸入卷積神經網絡，使用softmax單元輸出5個標簽，分別對應四個員工和四個都不是，但是這樣的效果並不好，假如有新的員工加入你的團隊，你就需要重新訓練你的神經網絡，這個確實有些糟糕。

要讓人臉識別做到一次學習，為了能有更好的效果，你需要做的是學習similarity函數，詳細的說就是下圖中d表示的函數，d以兩張圖片作為輸入，然後輸出這兩張圖片的差異值，如果是同一個人的兩張照片，希望輸出一個很小的值，如果是兩個差異很大的人的照片d輸出一個很大的值。這樣新加入一個員工只許將其的照片加入到數據庫中即可，不需要重新訓練模型。

3.Siamese網絡

??Siamese網絡就是實現上節函數d的訓練，你經常會看到如下的網絡結構，輸入一個圖像經過一系列的卷積、池化和全連接層最終得到一個特征向量，有時候會將其輸入softmax單元來做分類，但是在這裏我們不需要將其輸入softmax單元。加入輸出的特征向量大小是128維，將其命名為f(x)，你可以將其看成輸入圖像的編碼。

?

從上面的描述可知，計算兩個圖片的網絡結構有著同樣的參數，所以實際只需要訓練一個網絡，它計算得到的編碼可以用於計算函數d，換句話說其實就是神經網絡的參數定義了一個編碼函數f(x)可以將圖片轉換成向量編碼。所以我們需要做的就是訓練這個網絡，使其在兩張圖片是同一個人的時候距離函數盡可能的小，不是同一個人的時候距離函數盡可能的大。

詳細內容請參考上述原文！

人臉識別如何做到one-shot learning？(轉)