DL时代的视觉处理方法 956 ▣方法论上的变化 ■从分治→协同(joint). 口多步骤end-to-end learning ■ 更广义的 口检测与识别 ▣分割与识别 ▣ 电子科技大学所究生《机器学习》
电子科技大学研究生《机器学习》 DL时代的视觉处理方法 o 方法论上的变化 n 从分治协同（joint） p 多步骤end-to-end learning n 更广义的 p 检测与识别 p 分割与识别 p … 11
人脸识别上的进步 Labeled Face in the Wild(LFW) ■ 非限定条件下的人脸识别 ■ 数据来源于因特网 ■ 国外名人，Yahoo新闻 ■ 广为人知的测试模式 口训练集：无限制 口验证任务测试集 ■共6000图像对 Huang G B,Ramesh M,Berg T,et al.Labeled faces in the wild:A database for studying face recognition in unconstrained environments.Technical Report,University of Massachusetts, Amherst,2007. 电子科技大学研究生《机器学习》
电子科技大学研究生《机器学习》 人脸识别上的进步 o Labeled Face in the Wild (LFW) n 非限定条件下的人脸识别 n 数据来源于因特网 n 国外名人，Yahoo新闻 n 广为人知的测试模式 p 训练集：无限制 p 验证任务测试集 n 共6000图像对 12 Huang G B, Ramesh M, Berg T, et al. Labeled faces in the wild: A database for studying face recognition in unconstrained environments. Technical Report, University of Massachusetts, Amherst, 2007
人脸识别上的进步 56 ▣2014：DeepFace[1](Facebook) ■大数据：4K人，4.4M图像 C1: M2: C3. L4: 5: L6: F7 FB: Calisto Flockhort 0002.jpg Frontalization 3211x413 32x3x3x32 16x9x9x32 16x9x9x16 16x7×7x16 16x5x5x16 4096d 4030d Detection Localization @152X1523 @142x142 @71x71 @63x63 @55x55 @25x25 @21X21 [1]Taigman Y,Yang M,Ranzato M A,et al.Deepface:Closing the gap to human- level performance in face verification.CVPR,2014. [2]Sun Y,Wang X,Tang X.Deeply learned face representations are sparse, selective,and robust.arXiv preprint,2014. 电子科技大学研究生《机器学习》
电子科技大学研究生《机器学习》 人脸识别上的进步 o 2014: DeepFace [1] (Facebook) n 大数据：4K人，4.4M图像 13 [1] Taigman Y, Yang M, Ranzato M A, et al. Deepface: Closing the gap to humanlevel performance in face verification. CVPR, 2014. [2] Sun Y, Wang X, Tang X. Deeply learned face representations are sparse, selective, and robust. arXiv preprint, 2014
人脸识别上的进步 56 香港中文大学DeepID:2+ [Y.Sun,X.Wang,and X.Tang,CVPR14] 在25个人脸Patch上分别训练CNN（4个卷积层，4个全连接层，4个 verification损失信号和l个identification损失信号) 训练数据：10K人，202K名人图像 d ve DeeplD2+ FC-4 ●●●●● 0.98 no layer-wise Conv-4 d supervision FC-3 0.96 -less data Conv-3 Con smaller network ●●@ d●●o●● 0.94 -High-dim LBP ●●●● FC-2 Conv-2 Conv ●● 0.92 FC-1 0.9 0鸭4 FC-3 FC-2 FC-1 习》
电子科技大学研究生《机器学习》 人脸识别上的进步 o 香港中文大学DeepID2+ n 在25个人脸Patch上分别训练CNN（4个卷积层，4个全连接层，4个 verification损失信号和1个identification损失信号） n 训练数据：10K人，202K名人图像 [Y. Sun, X. Wang, and X. Tang, CVPR14]
人脸识别上的进步 Google最新的FaceNet ■ 深层网络（22层)+海量数据(800万人，2亿张图像) +Triplet Loss(不需要额外占用显存) DEEP ARCHITECTURE Triplet N Loss Batch G Negative Anchor ● LEARNING ● Negative Anchor Positive Positive ∑[f(e)-fzB-c)-fg+a] [F.Schroff,D.Kalenichenko,and J.Philbin,CVPR15] 电子科技大学研究生《机器学习》
电子科技大学研究生《机器学习》 人脸识别上的进步 o Google最新的FaceNet n 深层网络（22层）+ 海量数据(800万人，2亿张图像） + Triplet Loss (不需要额外占用显存) [F. Schroff, D. Kalenichenko, and J. Philbin, CVPR15]