[人工智能]人脸识别经典论文

1、1991，Eigenfaces for recognition

摘要

1. 提出一个近于实时的系统来提取特征，定位人脸，识别人脸
2. 仅需要2-D的人脸，不需要做3-D的重构，仅需要少量数据集
3. 找到人脸空间的一组基向量，即eigenface，不需要传统的一些局部特征比如眼睛鼻子嘴巴等等 4. 将新的人脸样本投影到这组基向量中，得到一组坐标，即为这张人脸的特征表示

研究成果及意义

1.采用统计学习算法理论，充分利用了数据的信息

2.将PCA算法与人脸特征巧妙结合一起，把单张人脸图片看作是高维空间的一个点， 把整个的训练样本看作是高维空间的点集分布，再用pca算法学习出该高维空间的 一组新的向量基(数量远小于原来的维度)，大大减少了原始向量基的冗余

3.每个人脸特征可以用新的向量基上的投影来描述，大大降低了维度

2、2014，deepID，汤晓欧

摘要

1. 更加深刻的人脸特征表示DeepId
2. 采用数目极大的分类的准则，泛化能力强
3. 神经网络的隐层节点作为特征表示
4. 超完备的特征空间，很适合去做人脸验证的任务

研究成果及意义

1.采用深度卷积神经网络去提取特征，信息更加抽象

2.提取特征的卷积神经网络参与人脸分类训练，使得提取出来 的特征(deepid)更加适用于人脸识别任务

3、2015，FaceNet，Google

1. 现有方法在大规模人脸验证场景还是有挑战的

2. 提出facenet,直接将图片映射到欧式空间，然后欧式距离即可表示人脸的相似度

3. 直接训练目标，构建triplet训练对，128维的特征就可以达到目前最好的效果

4. 结果的一些介绍

研究成果及意义

1.端到端的训练，训练准则最接近最终的目标

2.采用了一个新的损失函数准则，Triplet Loss, 同时考虑正负样本的情况，并且还 考虑到margin

3.特征的维度比较低，只有128维，且欧式距离就可以表示人脸的相似度

4.可以同时做人脸分类，人脸验证，人脸聚类等任务，应用比较广泛

4、2016，Center Loss，中科院

摘要

1. 大部分分类还是基于softmax的准则
2. 提出center loss,以及其作用:每个类别的样本距离其中间很近

3. Softmax + center loss联合训练，容易优化
4. 取得很好的性能

研究成果及意义

1.使得训练出来的特征对于同一个类别来讲更加紧致

2.使得训练更加简单方便，尤其书训练数据这一块

3.能用到每一个类别的信息，信息丢失很少

5、2016，L-Softmax Loss，北京大学（weiyang Liu）

摘要

1. 大部分分类还是基于softmax+ce的准则
2. 不能做到特征的区分性
3. 提出L-Softmax Loss,使得特征具有intra-class compactness and inter-classseparability 的性质

4. 避免过拟合，在很多视觉的任务上取得很好的效果

研究成果及意义

1.使得训练出来的特征具有intra-class compactness and inter-class separability的特性

2.直观的几何解释，以及有参数m可以控制学习的难度或者margin的大小，避免过拟合

3.直接对softmax 做改进，训练无需额外的复杂度

6、2017，SphereFace（A-Softmax），北京大学（weiyang Liu）

摘要

1. 最大类内距离要小于最小类间距离
2. 提出A-Softmax算法，使得特征在超球面上具有区分性的特征

3. Margin可以通过超参数m来调整，并且m的选择有理论指导
4. 在很多人脸识别的任务上取得很好的效果

研究成果及意义

1.使得训练出来的特征discrimination

2.Margin与权重无关

3.最大类内距离要小于最小类间距离，并且有理论指导

4.性能取得很好的效果

7、2018，CosFace，腾讯AI

摘要

1. 人脸识别需要特征的discrimination
2. 最近也有一些方法解决这个问题如center loss, l-softmax等

3. 提出large margin cosine loss从另外一个角度来解决这个问题

4. 在很多人脸识别的任务上取得很好的效果

研究成果及意义

1.使得训练出来的特征discrimination

2.Loss的计算相对来讲比较简单

3.超参数m,s的选择有着严格的理论指导

4.性能取得很好的效果

8、2018，ArcFace，伦敦帝国学院

摘要

1. 用深度学习提取特征的主要挑战是设计好的具有区分性的损失函数
2. 最近也有一些方法解决这个问题如center loss, sphereface等
3. 提出arcface来获得高度具有区分性的特征用作人脸识别，并且有着清晰的几何解释 4. 在很多人脸识别的任务上取得很好的效果

研究成果及意义

1.代码修改简单

2.训练效率高，几乎没有额外的计算开销

3.有着直观的几何解释

4.性能取得很好的效果

9、2021，MegFace，Aibee

摘要

1. 当识别图片变化很大的时候，识别的性能会明显下降
2. 之前的方法会在图片预处理的时候评价图片的质量，或者根据特征来评价
3. 提出Magface，图片特征的幅度可以用来评价图片的质量，可以证明，图片越容易被识别，对应特征的幅度越大
4. 把简单的样本拉近类中心，难的样本推离类中心 5. 很多实验都体现出Magface最好的性能

研究成果及意义

1.考虑到图片的质量对模型的影响

2.第一次把特征的方向和幅度都统一进来，并且幅度来反映样本的难易程度，并且不同难易的样本对应的 margin是动态变化的
3.学习出来的特征几何分布非常优雅
4.算法有着严格的数学理论证明，能够指导实验参数的设置