深度学习week4_4
版权申明：本文为原创文章，转载请注明原文出处
深度学习week4_4
什么是人脸识别
识别加验证
One-Shot学习
一次学习问题：需要通过单单一张照片去识别一个人
因为通常一个人只会录入它的一张照片，这对于神经网络来说样本数太少，除此之外，如果添加了新的人，就得重新训练模型
一种计算方法——计算相似度（这里的阈值时超参数，并且如果样本新增了一张图片也不会有问题，不需要重新训练，一张一张的比较）：
Siamese网络
用两张人脸为输出，相似度为输出
用相同参数的神经网络，得到全连接的输出，正常我们的话是将全连接的输出连上一个softmax得到分类输出，在这里就不进行分类输出，将两张图片的全连接输出进行对比，得到相似度
Triplet损失
三元组定义损失函数：
A是数据库中的样本，P是和样本人一样的另一张图片，N和A不是同一个人，损失函数f(A)-f(P)应该是一个比较小的值，f(A)-f(N)应该是一个比较大的值，取(f(A)-f(p))2-(f(A)-f(N))2+α，0之间的较大值，加α的原因是希望这两个平方之间有一定差值而不是完全相等
为了希望训练出的参数对任意的两张图片都可以得以准确判断，因此在训练的时候尽量选相近的两张图片
面部验证与二分类
将面部验证演算成一个二分类问题：
数据库在引进一个新的图片的时候会预先计算出全连接后的编码，这样再进行人脸检测的时候就不需要再等数据库中的样本进行训练，只需要训练进行检测的人脸
什么是神经风格转换
比如：结合两张风格不同的图片生成一张结合的图片
什么是深度卷积网络
浅层可能只能识别出边界，深层可以看出识别目的是什么
代价函数
神经风格转换代价函数（分别计算得出来的图像和内容之间的成本函数，和风格之间的成本函数，然后用超参数结合起来）：
最开始直接初始化G的像素值，然后不断学习，使G越来越符合条件
内容代价函数
选取l层，计算c和g之间的差值，然后梯度更新
风格代价函数
若两个通道相关系数大，则它们呈线性关系的程度强，因此出现的概率也相似。
所有通道两两组合，两个通道记为k，k，组合的对应元素相乘再相加，得到G（k,k）（风格矩阵）
一维到三维推广
深度学习week4_4
install_url to use ShareThis. Please set it in _config.yml.
