4.5 面部验证与二分类(Face verification and binary classification)
Last updated
Last updated
另一个训练神经网络的方法是选取一对神经网络,选取Siamese网络,使其同时计算这些嵌入,比如说128维的嵌入(编号1),或者更高维,然后将其输入到逻辑回归单元进行预测,如果是相同的人,那么输出是1,若是不同的人,输出是0。这就把人脸识别问题转换为一个二分类问题,训练这种系统时可以替换Triplet loss的方法
最后的逻辑回归单元怎么处理:
比如说sigmoid函数应用到某些特征上,输出会变成:
把这128个元素当作特征,然后把他们放入逻辑回归中,最后的逻辑回归可以增加参数和,就像普通的逻辑回归一样。然后在这128个单元上训练合适的权重,用来预测两张图片是否是一个人
的另外一种表达式为:
这个公式也被叫做公式,也被称为平方相似度
上面神经网络拥有的参数和下面神经网络的相同(编号3和4所示的网络),两组参数是绑定的,这样的系统效果很好
如果这是一张新图片(编号1),当员工走进门时,希望门可以自动为他们打开,这个(编号2)是在数据库中的图片,不需要每次都计算这些特征(编号6),可以提前计算好,当一个新员工走近时,使用上方的卷积网络来计算这些编码(编号5),和预先计算好的编码进行比较,然后输出预测值
总结:把人脸验证当作一个监督学习,创建一个只有成对图片的训练集,不是三个一组,而是成对的图片,目标标签是1表示一对图片是一个人,目标标签是0表示图片中是不同的人。利用不同的成对图片,使用反向传播算法去训练Siamese神经网络