吴恩达深度学习笔记13-Course4-Week4【人脸识别和神经风格转换】
人臉識(shí)別（Face Recognition）
一、人臉識(shí)別簡(jiǎn)介（What is face recognition?）
- 人臉驗(yàn)證：輸入一張帶人名/ID的人臉圖片，驗(yàn)證是不是那個(gè)人。一對(duì)一問(wèn)題。
- 人臉識(shí)別：輸入任一張人臉圖片，判斷人名/ID。要求更高的準(zhǔn)確率。
二、一次學(xué)習(xí)（One Shot Learning）
數(shù)據(jù)庫(kù)中，通常每個(gè)人只有一個(gè)帶標(biāo)簽的樣本，這是不足以訓(xùn)練一個(gè)穩(wěn)健的卷積神經(jīng)網(wǎng)絡(luò)來(lái)進(jìn)行人的識(shí)別。而且，在有新的樣本成員加入的時(shí)候，往往還需要對(duì)網(wǎng)絡(luò)進(jìn)行重新訓(xùn)練，不現(xiàn)實(shí)。所以我們不能以傳統(tǒng)的方法來(lái)實(shí)現(xiàn)識(shí)別系統(tǒng)。這就要用one shot learning 來(lái)解決，即單樣本學(xué)習(xí)。
one shot learning :
- 通過(guò)大型的數(shù)據(jù)庫(kù)訓(xùn)練出把圖片變成另一種好的編碼格式的CNN。
- 輸入時(shí)通過(guò)該CNN轉(zhuǎn)化圖片編碼，然后和數(shù)據(jù)庫(kù)中的各經(jīng)過(guò)編碼的圖片進(jìn)行比較，相似度最高的就是預(yù)測(cè)結(jié)果。
- 如果有新成員加入，則只需將其一張圖片添加至數(shù)據(jù)庫(kù)即可。
學(xué)習(xí)“similarity”函數(shù)：
衡量?jī)蓚€(gè)樣本編碼間的差別有多大。同一標(biāo)簽樣本之間的“similarity”函數(shù)值小，不同一標(biāo)簽樣本的之間的大。
三、Siamese Network
- Siamese網(wǎng)絡(luò)其實(shí)是一個(gè)CNN，只是最后輸出的是圖像的編碼，不是識(shí)別的結(jié)果。
- 一旦從大型數(shù)據(jù)庫(kù)學(xué)習(xí)到這個(gè)CNN，CNN的參數(shù)就變成固定的了，和我們數(shù)據(jù)庫(kù)無(wú)關(guān)。
學(xué)習(xí)的目標(biāo)：同一標(biāo)簽樣本的編碼差別小，不同標(biāo)簽樣本的編碼差別大。
四、三元組損失函數(shù)（Triplet Loss）
三元組損失函數(shù)：
損失函數(shù)中樣本組合（A, P, N），少選那些很容易區(qū)分的組合，多選那些不容易區(qū)分的組合，這樣才能學(xué)得更準(zhǔn)確。
五、臉部驗(yàn)證和二分類（Face Verification and Binary Classification）
學(xué)習(xí)“similarity”函數(shù)時(shí)，也可以用二分類的方法來(lái)學(xué)習(xí)。
神經(jīng)風(fēng)格轉(zhuǎn)換（Neural Style Transfer）
六、神經(jīng)風(fēng)格轉(zhuǎn)換簡(jiǎn)介（What is neural style transfer?）
七、卷積神經(jīng)網(wǎng)絡(luò)在學(xué)習(xí)什么（What are deep ConvNets learning?）
八、損失函數(shù)（Cost Function）
把要生成的帶風(fēng)格圖像的所有像素值當(dāng)做要學(xué)習(xí)的參數(shù)，隨機(jī)初始化，用梯度下降法去更新圖像的像素值。
Cost Function：
Content Cost Function：
Style Cost Function：
九、一維和三維的卷積（1D and 3D Generalizations）
一維卷積：
三維卷積：
總結(jié)
以上是生活随笔為你收集整理的吴恩达深度学习笔记13-Course4-Week4【人脸识别和神经风格转换】的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。
- 上一篇： lan pci 联想开机_微软承认KB4
- 下一篇： 吴恩达深度学习笔记8-Course3-W