知识卡片
卷积连体网络人脸识别实现
本章以 AT&T(ORL)人脸库实践连体元学习:40 个主题共 400 张图,远不够训练普通 CNN。做法是把多类分类转为二分类——判断两张图是否同一人,从 400 张生成大量正负对(正对最多 1800,负对达 78000)。用卷积连体网络提取特征、L1 距离与 Sigmoid 输出概率,Adam 优化、交叉熵损失,训练 10 个周期。测试用 N 路学习并以 KNN 为基线,4 路准确率 0.963 高于基线 0.876,且 n 越大越困难,印证[[基于度量的元学习:连体网络]]的优势。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
原书出处 · 1 处
- 深度学习的新趋势 连体网络人脸识别实践 · 查看原书依据
标准的面部识别系统应该能够仅使用系统中该人的几张照片来识别该人的身份。 显然,为了积累足够的训练数据,不能强迫他拍摄数百张照片。
参考来源
- 位置:《Python深度学习架构实用指南(初译)》第08章《深度学习的新趋势》(源文件:`../../book-sources/extracted/Python深度学习架构实用指南(初译)/_epub-src/OEBPS/Text/15.html`,来源项目 a19c7933-4eda-4176-aebd-30fe7e1ad292)
- 结论依据:原文以 N 路测试中连体模型全面高于 KNN 基线的数据,支撑连体元学习在少样本人脸识别上有效。
- 原始内容:标准的面部识别系统应该能够仅使用系统中该人的几张照片来识别该人的身份。 显然,为了积累足够的训练数据,不能强迫他拍摄数百张照片。