1.什麼是人臉識別

  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：輸入影象、名字ID判斷輸入影象是不是名字ID指定的使用者
2）face recognition：有一個包含K個使用者的資料庫，拿到一幅圖片，然後判斷圖片中的人是不是在資料庫中，在輸出指定使用者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個使用者的人臉識別資料集下，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組，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，那麼如何去解決這個問題呢？
  假如員工資料庫有四個員工，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，因為在你的資料庫中每個僱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路，使用softmax單元輸出5個標籤，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路，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函式，詳細的說就是下圖中d表示的函式，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資料庫中即可，不需要重新訓練模型。

3.Siamese網路

  Siamese網路就是實現上節函式d的訓練，你經常會看到如下的網路結構，輸入一個影象經過一系列的卷積、池化和全連線層最終得到一個特徵向量，有時候會將其輸入softmax單元來做分類，但是在這裡我們不需要將其輸入softmax單元。加入輸出的特徵向量大小是128維，將其命名為f

(x(1))，你可以將其看成輸入影象的編碼。

  建立一個人臉識別系統的方法是，如果你要比較兩個圖片的話，把兩個圖片喂入有相同網路結構和引數的神經網路，然後分別得到一個128維的向量，兩個影象的編碼分別命名為f(x(1))、f(x(2))，x(1)、x(2)分別表示輸入的兩張圖片，那麼將兩張圖片的編碼只差可以定義為:

d(x(1),x(2))=||f(x(1))−f(x(2))||22
對於兩個不同的輸入，執行相同的卷積神經網路，然後比較他們這一般叫做Siamese網路架構[1]。

  從上面的描述可知，計算兩個圖片的網路結構有著同樣的引數，所以實際只需要訓練一個網路，它計算得到的編碼可以用於計算函式d，換句話說其實就是神經網路的引數定義了一個編碼函式f(xi)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路，使其在兩張圖片是同一個人的時候距離函式儘可能的小，不是同一個人的時候距離函式儘可能的大。

4.Triplet損失

  想要通過神經網路來學到好的人臉影象編碼，方法之一是定義三元組損失函式然後用梯度下降，為了應用三元組損失函式，你需要比較成對的影象。
  用Triplet的術語來說，你通常會看到anchor(A)、positive(P))、negtative(N)三幅影象，positive是和anchor是同一個人，negative和anchor是不同的人，所以我們希望我們的網路引數能滿足:

d(A,P)−d(A,N)≤0其中：d(A,P)=||f(A)−f(P)||2,d(A,N)=||f(A)−f(N)||2，這個函式還存在一個問題就是如果d(A,P)和d(A,N)都為0也滿足上不等式，但是這並不是我們所想要的，為了避免網路最終學出上面情況，我們在公式中加入超引數α，公式變形為:
d(A,P)−d(A,N)+α≤0

Triplet損失函式的定義：
  Triplet損失函式的定義基於A、P、N三張圖片，損失函式可以表示為：
l(A,P,N)=max(d(A,P)−d(A,N)+α,0)
  所以只要能使d(A,P)−d(A,N)+α≤0損失函式的值就為0，如果d(A,P)−d(A,N)+α>0大於0就會得到一個正損失。損失函式只關心d(A,P)−d(A,N)+α≤0，但是並不關心小多少。整個網路的代價函式表示為：
J=∑i=1ml(Ai,Pi,Ni),
  假如你有一個1萬張圖片的訓練樣本集，包含1000個人，那麼平均每個人有10張圖片，將其構建成A、P、N的三元組組合，從而訓練網路結構，最終通過梯度下降來訓練你的網路。

  隨機的選擇圖片構成三元組組合可以達到目的，但是這樣的訓練樣本集很容易就能滿足d(A,P)−d(A,N)+α≤0的條件，我們在選擇訓練樣本集 的時候更多應該關注A和N之間差異比較小的影象，從而讓網路在這些影象上有更好的區分度[2]。

5.面部驗證與二分類

  這部分分享了一種把人臉識別轉變成二分類問題的方法。這種方法選取一對Siamese網路結構，使其同時計算影象的embedings，然後將這些embeding輸入到邏輯迴歸單元進行預測，如果是同一個人就輸出1，不是同一個人就輸出0，這種方法可以替代Triplet損失，最後的邏輯迴歸單元

yˆ=σ(∑k=1128|f(x(i))k−f(x(j))k|)+b其中：k為embeding的下標。因為是Siamese網路結構，上下兩個網路結構的引數是完全一致的。

參考文獻

[1] DeepFace closing the gap to human level performance. Taigeman et.al 2014
[2] FaceNet:A unified embeding for face recognition and clustering.Schroff et al.2015