DeepFace: 实现人类水平的人脸验证与识别.
DeepFace实现了人类水平的深度人脸识别Face Recognition方法，其主要步骤：
- 人脸检测Face Detect：从一张图像中检测出人脸；
- 人脸对齐Face Align：对检测到的人脸进行矫正；
- 人脸表示Face Represent：对校正后的人脸提取特征；
- 人脸分类Face Classify：用特征进行识别。
DeepFace采用已有的人脸检测方法，在此基础上设计了人脸对齐和表示学习方法；下面分别进行介绍。
1. Face Align
DeepFace提出的Alignment方法：
(a) 使用$LBP$ $Histograms$和$SVR$的方法检测出$6$个初始基准点 initial fiducial points:两个眼睛中心、鼻尖和嘴的位置；
(b) 拟合一个对基准点的变换(缩放$scale$、旋转$rotate$、平移$translate$)对图像进行裁剪；
(c) 用$SVR$对裁剪后的图像定位$67$个基准点，进行三角剖分 Delaunay triangulation，在人脸的轮廓上添加三角形避免不连续性 discontinuities；
(d) 用$3D$人脸库USF Human-ID构建一个平均$3D$人脸模型，手工标注$67$个基准点；
(e) 用generalized least squares学习$3D$人脸和$2D$人脸之间的映射，并对三角形进行可视化，颜色越深代表越不可见；
(f) 根据学习到的映射把原$2D$图像中的基准点转换成$3D$图像中的基准点；
(g) 得到端正 frontalized的人脸图像；
(h) 把最终图像转换成$3D$模型(not used in this paper)。
2. Face Represent
DeepFace使用卷积神经网络进行人脸表示的特征提取：
C1：卷积层，输入通道数$3$，输出通道数$32$，卷积核大小$11×11$；
M2：最大池化层；
C3：卷积层，输入通道数$32$，输出通道数$16$，卷积核大小$9×9$；
L4：局部卷积层，输入通道数$16$，输出通道数$16$，卷积核大小$9×9$；
L5：局部卷积层，输入通道数$16$，输出通道数$16$，卷积核大小$7×7$；
L6：局部卷积层，输入通道数$16$，输出通道数$16$，卷积核大小$5×5$；
F7：全连接层，输出未标准化的4096维人脸特征向量；
F8：全连接层，$Softmax$分类，用来进行$Face$ $recognition$，4300维是数据库中的人数。
- 局部卷积层：卷积核参数不共享，基于人脸的不同区域会有不同的统计特征假设；局部卷积层会导致更大的参数量，需要更多的数据支持。
如何训练这个网络呢？使用孪生网络 Siamese Network。
对于一张人脸的图像\(x^{(1)}\)，使用网络得到一个特征向量\(f(x^{(1)})\)；
对于另一张人脸的图像\(x^{(2)}\)，喂入具有同样参数的网络，得到特征向量\(f(x^{(2)})\)；
训练的目标是，若两张图像是同一个人，则两个特征向量越接近越好；否则差别越大越好；使用一种相似度度量 metric衡量这种差异。
DeepFace使用Weighted χ2 distance。选取两张人脸图像，计算出特征向量之后进行二分类，判断这两个图像是否代表同一个人：
记两张人脸图像\(x^{(i)}\)和\(x^{(j)}\)，得到的特征向量为\(f(x^{(i)})\)和\(f(x^{(j)})\)，特征向量为$k$维，使用$χ^2$相似度进行分类：
\[\hat{y} = σ(W\frac{(f(x^{(i)})-f(x^{(j)}))^2}{f(x^{(i)})+f(x^{(j)})} + b)\]
3. Face Classify
训练好模型之后，就可以实现人脸验证和识别。
在实际使用中，预先存储已知人脸数据集的人脸对应特征向量；对于一张新的人脸图像，先提取特征再进行比较。
