『深度应用』一文搞懂深度学习人脸识别模型开发流程
『深度应用』深度学习人脸识别模型开发与应用流程综述
0. 概念简介
度量学习（Metric Learning），也称距离度量学习(Distance Metric Learning，DML) 属于机器学习的一种。其本质就是相似度的学习，也可以认为距离学习。因为在一定条件下，相似度和距离可以相互转换。比如在空间坐标的两条向量，既可以用余弦相似度的大小，也可以使用欧式距离的远近来衡量相似程度。
常见的人脸识别与声纹识别都属于度量学习。
一般的度量学习包含以下步骤：
- Encoder编码模型：用于把原始数据编码为特征向量（重点如何训练模型）
- 相似度判别算法：将一对特征向量进行相似度比对（重点如何计算相似度，阈值如何设定）
1.编码模型训练
通过使用大量数据集进行网络模型训练。使编码模型可以实现对原始数据提取特征向量的功能。
基于深度学习的度量学习算法中，可以分为两个流派：
- 网络设计派：代表孪生神经网络（Siamese network）
- 损失改进派：代表 xx-softmax
本文主要讲整体开发流程，具体细节请自行查阅。
通过对编码模型训练，得到了具备提取特征的encoder模型，让原始数据通过encoder模型就可以对应特征向量：
X = Encoder(row)
下面就是利用这个encoder模型，作为特征提取器，进行相似度判别。
2.相似度判别算法
在第一步（1.编码模型训练）完成后，获得了具备特征提取的编码模型，就可以利用此encoder网络进行验证系统开发。
首先要对在第一步得到的编码模型进行性能测试。步骤如下：
- 使用测试数据生成测试对，需要保证尽量随机取对和正负数据平衡，同一种标签为1，不同种为0
- 使用编码模型得到所有特征向量
- 根据测试对的特征向量计算相似度，可选余弦距离度/欧式距离
- 根据测试对的相似度与标签，设置合理阈值范围，分辨率取0.0001，遍历阈值计算 FAR（错误接受率）FRR（错误拒绝率），两者相等得到EER（等错误概率），此时的阈值也是较优阈值。（也可以使用类似方法验证准确率）
通过上述步骤就可以获得模型的识别性能和应用阈值。
如若想提高阈值的泛化能力，可以采用测试与验证的方法计算阈值：
- 将测试对分为10组，用来确定阈值并验证精读。
- 使用其中1组，同种判断错误和不同种判定错误的个数。
- 选择错误个数最少的那个阈值，用剩余9组，判断识别精度。
- 步骤2和3执行10次，将每次3获取的精度进行累加并求平均，得到最终判定精度。记录下精度最高的那次的阈值，记为最优阈值
