2016-5-5未命名文件
新建
模板
小书匠
1. 论文摘要
提出了一种新的discriminativate deep metric learning(DDML)方法,用于自然环境下的 face verification。与现有的致力于学习一个马氏距离度量,从而最大化类间距离最小化类内距离的方法不同,DDML方法训练了一个深度神经网络用来学习一系列分层次的非线性变换(a set of hierarchical nonlinear transformations),将每对人脸图像投影至相同的特征子空间,从而使正样本对间的距离小于阈值,负样本对距离大于阈值。
sfdasd
2. 核心方法
DDML流程图
首先构建一个深度神经网络,将图像对送入网络进行非线性变换,使用的激活函数为tanh(论文实验中,tanh比sigmoid效果更好)。图像对经过神经网络的映射之后,顶层网络的输出可用和表示,它们之间的距离可用平方欧氏距离进行计算:。
我们要探索模型顶层输出的人脸表达的区分性信息,很自然地,我们希望正样本对间的距离小于负样本对间的距离。
如上图所示,在网络的非线性映射之前,正样本对间的距离可能大于负样本对间的距离,故神经网络的学习目标是-寻找一个非线性映射函数,使正样本对间映射后的距离小于$\tau_1$,负样本对间的距离
时间: 2024-10-16 15:38:48