接上一篇博文，這篇博文主要是進行人臉識別中的第③和第四個步驟：特徵提取以及相似度計算。

             center loss是2016的一篇ECCV論文中提出來的，A Discriminative Feature Learning Approach for Deep Face Recognition，個人理解，center loss的思想有點類似於SVM，對於線性可分的資料，SVM不僅僅是求得的超平面線性劃分訓練資料，還要求劃分後的最小間隔最大化，而加入了center loss的卷積神經網路，不僅要求劃分出各個類別，還要求類與類之間的距離儘可能大，而類之間的元素之間距離儘可能小，這樣當一副新的未出現過的人臉送入網路進行測試時，能更好的泛化其特徵，而減少了因為類類間“太近”而導致的誤判。就如論文中的圖： 

這裡顯示的是賦予center loss不同權重的效果圖，左上角的權重比較小，類類間間距相對小，而右下角的權重比較大，得到的結果是類與類之間的距離相對很大。更詳細的博文，大家可以看       https://sanwen8.cn/p/5c76qMZ.html

       簡而言之，為了實現center loss，作者在caffe裡自定義了一個center loss層，添加了標頭檔案以及原始檔後，重新編譯caffe即可。

環境配置好後，我們下載WebFace 資料集，該資料集一共有10575個人的圖片，總共50W左右張圖片，此時，我們應該先將這些人臉圖片進行對齊（上篇部落格主要介紹了對齊方法），然後我們將對齊好的圖片分為訓練集、驗證集，開始訓練我們的神經網路了。

       訓練完後，我們得到了一個caffemodel，我們想在LFW上驗證我們的模型，看看效能到底怎麼樣，我們將LFW的資料下載回來，一共有5749個人的人臉圖片，每個人一個資料夾，  而LFW的評價指標是 給出了6000對人臉圖片，其中3000對人臉圖片是同一個人，另外3000對圖片不是同一個人，現在我們需要拿出自己的模型，對這6000對人臉圖片，分別回答是同一個人與否，並且畫出ROC曲線來評價我們的模型。

     具體的方法是，假設前3000對是同一個人，後3000對不是同一個人，我們設同一個人的標籤是1，不是同一個人的標籤是0，則6000個標籤中，前3000是1，後三千是0，現在，我們用我們模型進行預測，對於每一個圖片對，我們會根據計算兩張圖片的相似度，得到一個相似度（0~1）,然後根據其是否大於一個給定的閾值，會得到6000個結果，這個結果不是0就是1，比如閾值是0.7，現在模型對一個圖片對算出來的相似度是0.6，則我們認為這對圖片不是同一個人，因為其相似度0.6沒有達到閾值0.7,這樣，對於每一個閾值，我們能得到該閾值下的查準率P、查全率R、真正例率TPR、假正例率FPR。我們現在設定6000個閾值（因為有6000個測試圖片對），就可以畫出ROC曲線和PR曲線了， 我用一個迭代了10W次模型，進行測試，ROC曲線和PR曲線如下圖：

圖很醜，，大家別笑~~ 這是用opencv畫出來的，左邊的是ROC曲線，右邊的是PR曲線，對於ROC曲線，有一個評價指標，是畫一條從左上角到右下角的直線與ROC曲線的交點的縱座標，也就是對應的真正例率TPR，算出來是0.947， 同時，我也試了所有的分類閾值，在最好的分類閾值的情況下，準確率為0.953，也就是6000對圖片中，我正確識別了6000*0.953=5718對 ，至於在LFW資料集上的實際評價標準，我暫時也搞不清楚是用哪個，或者算AUC？ 這個還請知道的同學告知~~

具體的怎麼用C++提取一張人臉經過caffe網路產生的特徵，會再寫一篇部落格供大家參考~