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