用于识别五张不同面孔的 CNN答案

【问题标题】：CNN for recognizing five different faces用于识别五张不同面孔的 CNN
【发布时间】：2016-07-17 01:33:44
【问题描述】：

我有一个要让我的 CNN 检测到五个人的面部识别项目，我想知道人们是否可以看看我的模型，看看这是否是朝着正确方向迈出的一步

def model():

    model= Sequential()

    # sort out the input layer later
    model.add(convolutional.Convolution2D(64,3,3, activation='relu'), input_shape=(3,800,800))
    model.add(MaxPooling2D(pool_size=(2, 2)))

    model.add(convolutional.Convolution2D(64,3,3, activation='relu'))
    model.add(convolutional.MaxPooling2D((2,2), strides=(2,2)))

    flatten()

    model.add(Dense(128, activation='relu'))
    model.add(Dropout(p=0.2))
    model.add(Dense(number_of_faces, activation='softmax'))

因此该模型将在 3 个大小为 800 x 800 的通道中拍摄照片（在 5 人的 google 上找到的头像），其中包含 64 个特征图、池化和另一组特征图然后连接到一个 mlp 用于分类为 5 个输出神经元的二进制向量。我的问题是，这是尝试对某些人的头像进行分类的一种不错的方法吗？例如，如果我要下载某个人的 100 张照片并将它们放入这个模型中，卷积中创建的特征空间是否足够大以捕获那张脸和其他四个人的特征？谢谢大家的帮助

【问题讨论】：

标签： neural-network keras lasagne

【解决方案1】：

嗯，这不是一个工程问题，而是一个科学问题。在不显示当前进度的情况下很难判断 100 张图片是否足以满足您的目的（例如，现在的准确度是多少？您面临的是过拟合还是欠拟合。

但是，是的，额外的人脸数据可以帮助您的模型，尤其是当这些人脸与您的最终测试数据具有相同的上下文（背景、光线、角度、肤色等）时.

如果你对人脸识别感兴趣，可以从Deep Learning Face Representation from Predicting 10,000 Classes（非官方code here）开始，他们使用10000张人脸作为额外的数据集进行训练。您可以搜索“DeepID”了解更多信息。

如果你是工程人员，可以查看Facial Expression Recognition with Convolutional Neural Networks，本报告更侧重于实现，Keras 也实现了。

到那时，800*800 在人脸识别社区中是超大的。您可能希望将它们调整为更小的尺寸。否则你的程序可能太庞大而无法训练并消耗大量内存。

【讨论】：

谢谢谢谢，我会接受这个，当然我可以随时调整大小并添加更多面孔，但是您认为五张面孔的网络架构可以吗？如在 2dconv 中使用 64 个过滤器等
很高兴能为您提供帮助。你的网络是标准的，但我不能保证它的性能。老实说，神经网络的最优结构仍然是一个谜。所以我们能做的就是耐心做实验，多参考以前的作品。从这个角度来看，您的网络是标准的。
谢谢，范，我主要关心的是即使我有头像，它也会有一些背景空间，下一个工作会解决这个问题还是我需要提供输入图像只有脸，其他什么都没有？
几乎所有原始图片都有背景或不相关的边距，因此我们首先将使用“人脸检测器”从图片中裁剪人脸。但这是另一项工作。您的网络应该可以处理这些裁剪的面孔。
van 例如这些图片会很好，即使实际的脸只是图片的一小部分？ google.co.uk/…

【解决方案2】：

人脸识别不是常规的分类研究。如果你为 5 个人训练你的模型，即使它是一个成功的模型，如果有新人加入团队，你也需要重新训练它。这意味着您的新模型可能不再成功。

我们首先训练一个常规分类模型，然后丢弃其最终的 softmax 层并使用其早期层来表示图像。表示是多维向量。在这里，我们期望同一个人的图像对应该具有高相似性，而不同人的图像对应该具有低相似性。我们可以通过余弦相似度或欧几里德距离方法找到向量相似度。

总而言之，您不应该再为人脸识别应用训练模型。您只需要使用神经网络进行预测。预测将是表示。

我建议你使用 deepface。它封装了最先进的人脸识别模型，例如 VGG-Face、Google FaceNet、OpenFace、Facebook DeepFace、DeepID 和 Dlib。它还可以在后台处理人脸检测和对齐。只需调用一行代码即可应用人脸识别。

#!pip install deepface
from deepface import DeepFace
models = ['VGG-Face', 'Facenet', 'OpenFace', 'DeepFace', 'DeepID', 'Dlib']
obj = DeepFace.verify("img1.jpg", "img2.jpg", model_name = models[0])
print(obj["verified"], ", ", obj["distance"])

返回的对象存储最大阈值和找到的距离。这样，如果图像对是同一个人，则在验证参数中返回True，如果图像对是不同的人，则返回False。

【讨论】：