歡迎來(lái)到《每周CV論文推薦》。在這個(gè)專欄里，還是本著有三AI一貫的原則，專注于讓大家能夠系統(tǒng)性完成學(xué)習(xí)，所以我們推薦的文章也必定是同一主題的。

人臉識(shí)別和驗(yàn)證是當(dāng)前人臉圖像在身份認(rèn)證領(lǐng)域中最廣泛的應(yīng)用，今天給大家介紹入門深度學(xué)習(xí)人臉識(shí)別必讀的文章。

作者&編輯 | 言有三

1?Deepface

Deepface是最早期的深度學(xué)習(xí)人臉識(shí)別框架，它首先對(duì)輸入人臉經(jīng)過(guò)3D對(duì)齊，然后使用數(shù)據(jù)集訓(xùn)練一個(gè)人臉分類器得到人臉特征提取網(wǎng)絡(luò)，最后使用Siamese網(wǎng)絡(luò)訓(xùn)練人臉驗(yàn)證網(wǎng)絡(luò)。

文章引用量：3500+

推薦指數(shù)：?????

[1]?Taigman Y, Yang M, Ranzato M A, et al. Deepface: Closing the gap to human-level performance in face verification[C]//Proceedings of the IEEE conference on computer vision and pattern recognition. 2014: 1701-1708.

2 DeepID系列

DeepID系列總共有4篇文章，其中三篇值得讀。DeepID1訓(xùn)練了一個(gè)多層CNN對(duì)約10000個(gè)人提取人臉識(shí)別特征，使用分類任務(wù)的方法。DeepID2添加了驗(yàn)證損失，DeepID ?2+加大了網(wǎng)絡(luò)寬度，增加了多尺度的監(jiān)督。

文章引用量：1000+

推薦指數(shù)：?????

[2] Sun Y, Wang X, Tang X. Deep learning face representation from predicting 10,000 classes[C]//Proceedings of the IEEE conference on computer vision and pattern recognition. 2014: 1891-1898.

[3]?Sun Y, Chen Y, Wang X, et al. Deep learning face representation by joint identification-verification[C]//Advances in neural information processing systems. 2014: 1988-1996.

[4]?Sun Y, Wang X, Tang X. Deeply learned face representations are sparse, selective, and robust[C]//Proceedings of the IEEE conference on computer vision and pattern recognition. 2015: 2892-2900.

3 FaceNet

FaceNet提出了一種end-to-end的網(wǎng)絡(luò)結(jié)構(gòu)，使用了triplet loss，這樣提取的特征可以直接用歐氏距離計(jì)算相似度，避免了前述方法的后處理步驟，VGGFace中進(jìn)行了很好的工程實(shí)踐。

文章引用量：2000+

推薦指數(shù)：?????

[5] Schroff F, Kalenichenko D, Philbin J. Facenet: A unified embedding for face recognition and clustering[C]//Proceedings of the IEEE conference on computer vision and pattern recognition. 2015: 815-823.

[6]?Parkhi, Omkar M., Andrea Vedaldi, and Andrew Zisserman. "Deep face recognition."?bmvc. Vol. 1. No. 3. 2015.

4 Center face

Center face提出了Center Loss，使類內(nèi)中心均勻分布并最小化類內(nèi)差異，是基于分類和度量學(xué)習(xí)方法的結(jié)合。

文章引用量：1000+

推薦指數(shù)：?????

[7] Wen Y, Zhang K, Li Z, et al. A discriminative feature learning approach for deep face recognition[C]//European conference on computer vision. Springer, Cham, 2016: 499-515.

5 Range loss

Range loss也是以上各類loss的結(jié)合，關(guān)注長(zhǎng)尾分布的數(shù)據(jù)，類內(nèi)要求每個(gè)類最小化兩個(gè)最大類內(nèi)距離，類間要求類中心距離最小的兩個(gè)類別距離大于margin 。

文章引用量：40+

推薦指數(shù)：?????

[8] Zhang X, Fang Z, Wen Y, et al. Range loss for deep face recognition with long-tailed training data[C]//Proceedings of the IEEE International Conference on Computer Vision. 2017: 5409-5418.

6 angular loss與coco loss

angular loss在triplet loss的基礎(chǔ)上添加了角度約束，增強(qiáng)了其尺度不變性。coco loss則把cosine距離和center loss結(jié)合起來(lái)。

文章引用量：40+

推薦指數(shù)：?????

[9]?Wang J, Zhou F, Wen S, et al. Deep metric learning with angular loss[C]//Proceedings of the IEEE International Conference on Computer Vision. 2017: 2593-2601.

[10] Liu Y, Li H, Wang X. Rethinking feature discrimination and polymerization for large-scale recognition[J]. arXiv preprint arXiv:1710.00870, 2017.

7 softmax loss及其變種

softmax loss在很早的時(shí)候就被應(yīng)用于人臉識(shí)別任務(wù)，但是因?yàn)樗鼪]有考慮類內(nèi)距離，所以有很多的研究者都對(duì)其進(jìn)行了改進(jìn)，我們?cè)谝荒昵敖o大家做過(guò)綜述，可以參考往期文章。

8 如何獲取文章與交流

找到有三AI開源項(xiàng)目即可獲取。

https://github.com/longpeng2008/yousan.ai

文章細(xì)節(jié)眾多，閱讀交流在有三AI知識(shí)星球中進(jìn)行，感興趣可以加入。

總結(jié)

人臉識(shí)別是人臉?biāo)惴ㄖ凶顝V泛的應(yīng)用，仍然有研究空間，往后我們將推薦跨年齡，抗遮擋與裝飾，3D人臉識(shí)別相關(guān)的文章。

有三AI秋季劃

有三AI秋季劃已經(jīng)正式啟動(dòng)報(bào)名，模型優(yōu)化，人臉?biāo)惴?#xff0c;圖像質(zhì)量共24個(gè)項(xiàng)目，助力提升深度學(xué)習(xí)計(jì)算機(jī)視覺算法和工程項(xiàng)目能力。

轉(zhuǎn)載文章請(qǐng)后臺(tái)聯(lián)系

侵權(quán)必究

往期精選

總結(jié)

以上是生活随笔為你收集整理的【每周CV论文推荐】 初学深度学习人脸识别和验证必读文章的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。