利用人脸特征提取DeepID--解读世纪晟人脸识别
DeepID的目标是人脸验证（判断两张图片是否是一个人），同时衍生出人脸识别（多次人脸验证）。
DeepID采用增大数据集的方法：
-增加新的数据，celebFaces（87628张图片，5436个人），celebFaces+（202599张图片，10177个人）；
- 裁剪图片，多区域、多尺度、多通道裁剪，然后将计算的向量组合，使用PCA降维
DeepID是一种特征提取的算法，这种网络一经训练好后，可以提取出输入人脸图片的深层次特征——
DeepID也是多个特征的融合体，你可以理解为DeepID对人脸上的很多关键区域都训练了一个 CNN 网络，去做分类，得到隐层特征，把这些特征拼接在一起，再做某种意义上的降维，得到最终特征，用这个特征来做描述，世纪晟科技人脸识别就可以非常有效地完成多分类任务。
DeepID网特征提取+softmax分类：
下图就是这个特征提取DeepID网+softmax分类的示意图。
softmax这个分类器可以说是咱们深度学习领域最常见的一个分类器了，如果大家对逻辑回归有基础的话，那么这个softmax分类器可以当成一个多分类的逻辑回归。
每层的数字表示的是每个卷积网络神经元的数量，随着层数的增加，神经元的数量会减少。
DeepNets的训练过程：
一个DeepID网（就是前面的120个之一）包含4个卷积层（每一个都带有最大池化层）以及一个全连接层（也就是DeepID的160维特征），在训练网络时后面还要加上softmax层，不然不能给标签没法训练了，当然训练出网络后在测试数据上可以不加softmax，只到全连接层后就直接使用特征。
人脸的特征提取：
对于一张人脸图片，在经过人脸检测和人脸对齐之后，作者按照瞳孔和嘴的位置对所有训练样本进行了对齐（保证后面的切片工作是同一尺度下的），然后根据特征点的位置，进行了切块提取，下图上半部分就是对一张人脸在10个位置下的提取，然后每一个位置的切块提取还会有三个不同的尺度，这就得到了同一张人脸的30个不同的部位人脸图
有了30个不同部位人脸图后，当然此时着30个不同部位人脸图还都是RGB图像，我们还需要灰度图像上的特征，因此每一个部位图还要有一份灰度图版的，因此30又翻个倍，变成了60
下面把DeepID特征可视化的结果，也是可以挺明显的看出不同人脸提取的特征不一样
责任编辑：
声明：该文观点仅代表作者本人，搜狐号系信息发布平台，搜狐仅提供信息存储空间服务。
今日搜狐热点CNN深度学习模型用于表情特征提取方法探究_张昭旭_图文_百度文库
您的浏览器Javascript被禁用，需开启后体验完整功能，
享专业文档下载特权
&赠共享文档下载特权
&100W篇文档免费专享
&每天抽奖多种福利
两大类热门资源免费畅读
续费一年阅读会员，立省24元！
CNN深度学习模型用于表情特征提取方法探究_张昭旭
阅读已结束，下载本文需要
定制HR最喜欢的简历
下载文档到电脑，同时保存到云知识，更方便管理
加入VIP
还剩1页未读，
定制HR最喜欢的简历
你可能喜欢豆丁微信公众号
君，已阅读到文档的结尾了呢~~
图像特征的CNN提取方法及其应用
扫扫二维码，随身浏览文档
手机或平板扫扫即可继续访问
图像特征的CNN提取方法及其应用
举报该文档为侵权文档。
举报该文档含有违规或不良信息。
反馈该文档无法正常浏览。
举报该文档为重复文档。
推荐理由：
将文档分享至：
分享完整地址
文档地址：
粘贴到BBS或博客
flash地址：
支持嵌入FLASH地址的网站使用
html代码：
&embed src='http://www.docin.com/DocinViewer--144.swf' width='100%' height='600' type=application/x-shockwave-flash ALLOWFULLSCREEN='true' ALLOWSCRIPTACCESS='always'&&/embed&
450px*300px480px*400px650px*490px
支持嵌入HTML代码的网站使用
您的内容已经提交成功
您所提交的内容需要审核后才能发布，请您等待！
3秒自动关闭窗口机器不学习：CNN入门讲解-卷积层是如何提取特征的？
我的图书馆
机器不学习：CNN入门讲解-卷积层是如何提取特征的？
上一期，我们得出了一个结构这个最简单的卷积神经网络说到底，终究是起到一个分类器的作用卷积层负责提取特征，采样层负责特征选择，全连接层负责分类‘这位同学，你说的简单，其实我对卷积层怎么实现特征提取完全不懂’问的好，卷积神经网络的出现，以参数少，训练快，得分高，易迁移的特点全面碾压之前的简单神经网络而其中的卷积层可以说是这个卷积神经网络的灵魂我们接下来会分两节来分析，卷积层到底是怎么充当“灵魂伴侣”这个角色的正常情况下，我们输入图片是RGB格式，也就对红(R)、绿(G)、蓝(B)三个颜色让我们来看蓝蓝的天空什么，你看这天空是绿的？那这位兄弟，你该去休息休息RGB格式大家自己谷歌吧，这也不多说了总的来说，也就是通过对红(R)、绿(G)、蓝(B)三个颜色通道的变化以及它们相互之间的叠加来得到各式各样的颜色, 这三个颜色通道叠加之后，就是我们看到的RGB图片了如下图图片来自网络，侵删我们假设，这三个分量的pixels 分别如下表示：红色分量绿色分量蓝色分量没错，这才是机器真正看到的东西，只能看到这些值，它看不到这个小姐姐假设我们已经有合适的滤波器了我们下一步干什么没错，提取特征上次我们讲到，卷积核（滤波器，convolution kernel）是可以用来提取特征的图像和卷积核卷积，就可以得到特征值，就是destination value卷积核放在神经网络里，就代表对应的权重（weight)卷积核和图像进行点乘（dot product), 就代表卷积核里的权重单独对相应位置的Pixel进行作用这里我想强调一下点乘，虽说我们称为卷积，实际上是位置一一对应的点乘，不是真正意义的卷积比如图像位置（1,1）乘以卷积核位置（1,1），仔细观察右上角你就会发现了至于为什么要把点乘完所有结果加起来，实际上就是把所有作用效果叠加起来就好比前面提到的RGB图片，红绿蓝分量叠加起来产生了一张真正意义的美女图我们现在再来看这三个分量的pixels:红色分量绿色分量蓝色分量对应的三个卷积核，里面的数字即相当于权重，卷积核里面的权值是怎么来的，后面我会在反向传播算法（backpropagation）中讲到假设我们已经知道对应分量以及卷积核我们知道输入，知道神经元的权值（weights）了，根据神经网络公式：Output =我们还需要定义bias, 不过懒得管它了，给它设为零吧，b = 0于是我们发生如下过程（诶，我为什么要说我们）因为卷积核是3x3的所以我们分别对三个分量的其中一个3x3的九宫格进行卷积比如我们在分量的中间找一个3x3九宫格所以，结果为：W1output = 1*(-1) +1*1+1*0+0*(-1)+1*0+2*1+0*(-1)+1*1+2*(-1) =1W2output = 2*1+2*0+1*1+1*1+0*1+0*2+0*1+0*0+1*1=5W3output = 1*(-1)+1*(-1)+0*(-1)+0*2+0*(1)+0*2+1*0+1*1+0*1 = -1Bias = 0Final_output =W1output + W2output+W3output+bias= 1+5-1+0 = 5三个卷积核的输出为什么要叠加在一起呢你可以理解为三个颜色特征分量叠加成RGB特征分量我们在这已经知道卷积可以提取特征但是我们也不能随机找图像的pixels进行卷积吧上一次我们讲到，我们卷积输出的特征图（feature map）,除了特征值本身外，还包含相对位置信息比如人脸检测，眼睛，鼻子，嘴巴都是从上到下排列的那么提取出的相应的特征值也是按照这个顺序排列的再举个例子我们按顺序去看这三个方块没问题，你能看出是“2”这样，你就看不出是‘2’啦所以，我们卷积的方式也希望按照正确的顺序因此我们实现卷积运算最后的方式就是从左到右，每隔x列Pixel，向右移动一次卷积核进行卷积(x可以自己定义)黄---蓝---紫，就是卷积核移动的顺序，这里x =1当已经到最右从上到下，每隔X行pixel,向下移动一次卷积核，移动完成，再继续如上所述，从左到右进行就这样，我们先从左到右，再从上到下，直到所有pixels都被卷积核过了一遍，完成输入图片的第一层卷积层的特征提取这里的x我们叫作stride,就是步长的意思，如果我们x = 2, 就是相当每隔两行或者两列进行卷积好了你有没有发现，分量的pixel 外面还围了一圈0，这是什么鬼我们称之为补0（zero padding）因为添了一圈0，实际上什么信息也没有添，但是同样是stride x=1 的情况下，补0比原来没有添0 的情况下进行卷积，从左到右，从上到下都多赚了2次卷积，这样第一层卷积层输出的特征图（feature map）仍然为5x5，和输入图片的大小一致而没有添0的第一层卷积层输出特征图大小为3x3这样有什么好处呢（1）我们获得的更多更细致的特征信息，上面那个例子我们就可以获得更多的图像边缘信息（2）我们可以控制卷积层输出的特征图的size，从而可以达到控制网络结构的作用，还是以上面的例子，如果没有做zero-padding以及第二层卷积层的卷积核仍然是3x3, 那么第二层卷积层输出的特征图就是1x1，CNN的特征提取就这么结束了。同样的情况下加了zero-padding的第二层卷积层输出特征图仍然为5x5,这样我们可以再增加一层卷积层提取更深层次的特征最近比较忙，而且心情不好，你看我连表情包都不用了，就写这么多了吧下一次，我将着重介绍估计困扰大家的问题：（1）一张图片的特征千千万，卷积核也有千千万，我们是怎样来确定卷积核的数值是可以提取我们想要的特征，或者说能提取使得最后分类正确的特征呢？（2）卷积核里面的权值是如何更新的呢？
喜欢该文的人也喜欢}