人脸识别（Face Recognition）
一、人脸识别简介（What is face recognition?）
- 人脸验证：输入一张带人名/ID的人脸图片，验证是不是那个人。一对一问题。
- 人脸识别：输入任一张人脸图片，判断人名/ID。要求更高的准确率。
二、一次学习（One Shot Learning）
数据库中，通常每个人只有一个带标签的样本，这是不足以训练一个稳健的卷积神经网络来进行人的识别。而且，在有新的样本成员加入的时候，往往还需要对网络进行重新训练，不现实。所以我们不能以传统的方法来实现识别系统。这就要用one shot learning 来解决，即单样本学习。
one shot learning :
- 通过大型的数据库训练出把图片变成另一种好的编码格式的CNN。
- 输入时通过该CNN转化图片编码，然后和数据库中的各经过编码的图片进行比较，相似度最高的就是预测结果。
- 如果有新成员加入，则只需将其一张图片添加至数据库即可。
学习“similarity”函数：
衡量两个样本编码间的差别有多大。同一标签样本之间的“similarity”函数值小，不同一标签样本的之间的大。
三、Siamese Network
- Siamese网络其实是一个CNN，只是最后输出的是图像的编码，不是识别的结果。
- 一旦从大型数据库学习到这个CNN，CNN的参数就变成固定的了，和我们数据库无关。
学习的目标：同一标签样本的编码差别小，不同标签样本的编码差别大。
四、三元组损失函数（Triplet Loss）
三元组损失函数：
损失函数中样本组合（A, P, N），少选那些很容易区分的组合，多选那些不容易区分的组合，这样才能学得更准确。
五、脸部验证和二分类（Face Verification and Binary Classification）
学习“similarity”函数时，也可以用二分类的方法来学习。
神经风格转换（Neural Style Transfer）
六、神经风格转换简介（What is neural style transfer?）
七、卷积神经网络在学习什么（What are deep ConvNets learning?）
八、损失函数（Cost Function）
把要生成的带风格图像的所有像素值当做要学习的参数，随机初始化，用梯度下降法去更新图像的像素值。
Cost Function：
Content Cost Function：
Style Cost Function：
九、一维和三维的卷积（1D and 3D Generalizations）
一维卷积：
三维卷积：
扫描二维码关注公众号，回复：
1067912 查看本文章
