深度学习论文笔记--Recover Canonical-View Faces in the Wild with Deep Neural Network
文章来源：CVPR2014
作者：Zhenyao Zhu，Ping Luo，Xiaogang Wang，Xiaoou Tang
（香港中文大学果然牛啊，CVPR一刷一大堆）
主要内容：
提出了利用深度学习（还是CNN）来进行人脸图像重构正面人脸，然后利用重构的正面人脸图像来进行人脸的verification，当然能够取得更高的准确率（比没有用正脸去verification），文章提出利用DL来学习从任意脸到canonical 脸的转换，可以认为是一个回归问题（也不一定非得用DL方法来做）。
现有的方法有两种：1. 考虑生成3D脸模型；2. 直接在2D图像空间上进行（这篇文章采用的方法）。
主要步骤：
1. 正面人脸的选择依据，2.人脸正面脸重构。
1. 关于正面人脸的选择准则：1. 左右对称性，2. 图像的秩Rank，3，结合1和2（文章采用的方法）。
所以采用的度量公式如下：
其中Yi是人脸图像，P,Q 矩阵是参数，第一项表示对称性，第二项表示图像的秩，lamda 则表示这两个准则的tradeoff。
在文章中，作者只是采用M值最小的。（可能会有问题，或者说有改进的空间，文章中作者也说了，可以采用线性组合等来计算正面人脸）
2. 正面人脸重构：
正面人脸选择之后，就可以进行训练是深度学习网络了，其准则是：
其中W是深度神经网络的参数，Yi是选择的正面脸。
网络的结构如下所示：
其包含3个卷积层，其中头两个采用max pooling ，最后一个采用全连接，不共享权值，具体的网络结构跟经典的没有太大的改进。
verification的过程：
1. 对于每一个训练图像对，重构正面脸，然后提取5个特征点Landmark，然后基于这些Landmark提取Patch。
2. 利用每个patch对来训练网络，多个特征最后被级联在一起形成最后的特征。
3. 使用PCA降维和利用SVM分类（二分类问题）。
实验细节：不是采用LFW中的图像来训练DL模型，而是采用其它的人脸图像库CelebFaces来进行训练，在LFW中能够取得96.45%的准确率。
最后看下他们的重构效果
深度学习论文笔记--Recover Canonical-View Faces in the Wild with Deep Neural Network,古老的榕树,5-wow.com
郑重声明：本站内容如果来自互联网及其他传播媒体，其版权均属原媒体及文章作者所有。转载目的在于传递更多信息及用于网络分享，并不代表本站赞同其观点和对其真实性负责，也不构成任何其他建议。
