cv 人脸识别 deepid

之前的方法：

LBP（人为选择特征，如：大于某个像素点，设为1，否则设为0）

SIFT（常用于图像拼接，人为选择特征，具有旋转梯度的纹理特征）

PCA（适用于小量数据，非监督方法）

缺陷：特征依赖于人工选择，未必对于人脸识别是最优的特征

　　　特征表示太浅层

新方法的意义：

适用于大量数据

采用深度卷积神经网络去提取特征，信息更加抽象。

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）更适用于人脸识别任务。

abstract（提出deepid人脸特征以及它的优势，采用数目极大的分类的准则，泛化能力强，用神经网络的隐层节点作为特征表示）-- introduction（传统方法的不足以及本文的算法优势）-- related work-- results（deepid实验 联合贝叶斯实验 数据集：aligned image db 如果用原文的fw数据集，要做face alignment）-- face verification（用联合贝叶斯以及神经网络去做人脸验证）-- deep id（具体网络结构以及特征的提取）