深度学习——day18 卷积神经网络第四周——人脸识别和神经风格迁移

4.1 人脸识别

4.1.1 人脸识别的一些术语

人脸验证：1对1问题

识别问题：1对k

4.1.2 One-shot learning（一次学习问题）

描述：通过一张图片识别对象

解决办法：Learning a“similarity"’ function：用函数d，输入两张图片，输出两张图片的差异值d，当小于某个阈值时证明是同一个人。

4.1.3 Siamese network

实现4.1.2的d函数
将两张图片运行相同的卷积网络，然后比较他们

描写d函数：可以判断是否是一个人
原理：

4.1.3.2 参考文献

[Taigman et.al.,2014. DeepFace closing the gap to human level performance]

4.1.4三元组损失函数（Triplet loss）

4.1.4.1 简介

看一个anchor（A）图片，positive（P）为同一人或者接近,negative（N）为不同的人，三元：同时要看三张图片

加入间隔参数α，拉大了两对图片的距离

4.1.4.2 公式化表示和定义

损失函数

选择较难的三元组

梯度下降训练三元组损失函数

4.1.4.3 参考文献

参考文献：[Schroff et al.,2015, FaceNet: A unified embedding for face recognition and clustering]

4.1.5 其他学习卷积神经网络参数的方法

4.1.5.1 二分类问题

其他代替绿部分的函数：x平方相似度

4.1.5.2 参考文献

[Taigman et.al.,2014.DeepFace closing the gap to human level performance]

4.2 神经风格迁移

4.2.1What is neural style transfer?

很神奇吧，两张图片的特征融合了

4.2.2 What are deep ConvNets learning?

第一层的9个神经单元：

4.2.2.1

神经网络隐藏单元的计算内容

接着放大

每加深一层，用于最大化激活函数的图片越清晰。从简单物体逐渐探测到复杂物体。

4.2.2.2 文献来源

[Zeiler and Fergus.,2013, Visualizing and understanding convolutional networks]

4.2.3 Cost Function（代价函数）

4.2.3.1 代价函数

• 定义一个关于G的代价函数 J（G），用来评判某个生成图像的好坏，然后使用梯度下降法去最小化 J（G），以便于生成图像
  
  

4.2.3.2 内容代价函数

具体理解： l 层不会太深也不会太浅

4.2.3.3 风格代价函数

找到相关系数

Intuition about style of an image

风格矩阵

• 参数
• 计算了k 和 k’ 所有参数之间的相关系数
• 对l层定义风格参数
  
  
  
  对各层都使用风格代价函数：全体代价函数J（G）
  

4.2.3.4 文献来源

[Gatys et al.,2015.A neural algorithm of artistic style.Images on slide generated by Justin Johnson]——4.2.3.1

[Gatys et al.,2015.A neural algorithm of artistic style]——4.2.3.2 &4.2.3.3

4.3 一维到三维推广

4.3.1 Convolutions in 2D and 1D

一维数据用一维过滤器处理卷积

4.3.2 3D

3D数据，脑部CT

具有长宽高

3D卷积：