基于深度学习的人脸识别技术综述
基于深度学习的人脸识别技术
基于深度学习的人脸识别技术人脸识别技术是一项基于深度学习的先进技术，通过对人脸图像进行特征提取和比对，可以准确地识别出人脸的身份信息。
随着深度学习技术的快速发展，人脸识别技术已经广泛应用于安防监控、身份认证、社交媒体等领域，为社会的安全和便捷提供了有力支持。
首先，基于深度学习的人脸识别技术的核心是深度神经网络。
深度神经网络可以通过训练学习大量的人脸图像数据，从中自动提取人脸的特征，这些特征对于识别不同的人具有较高的辨识度。
通过将人脸图像输入到深度神经网络中，网络可以自动学习并生成一个对应于该人脸的特征向量。
这个特征向量可以用于后续的人脸比对任务。
其次，基于深度学习的人脸识别技术具有较高的准确性。
由于深度神经网络具有较强的表征能力，它可以从大量的人脸图像数据中学习并提取出具有良好区分性的特征。
因此，与传统的人脸识别方法相比，基于深度学习的人脸识别技术能够更准确地识别人脸的身份信息，大大降低了误识率。
另外，基于深度学习的人脸识别技术在计算效率上也有所改进。
传统的人脸识别方法通常需要手动设计和选择特征，而基于深度学习的人脸识别技术可以自动学习和选择最优的特征，避免了繁琐的手工特征工程。
此外，随着硬件计算能力的不断提升和深度学习算法的优化，基于深度学习的人脸识别技术的计算速度也得到了显著提升。
基于深度学习的人脸识别技术还具备一定的应对复杂场景的能力。
传统的人脸识别方法在面对光照变化、姿态变化和表情变化等复杂场景时往往表现较差，而基于深度学习的人脸识别技术可以通过学习大量的变化场景下的人脸图像，具备一定的鲁棒性。
这使得基于深度学习的人脸识别技术能够在更复杂的环境下识别人脸，并在实际应用中发挥更大的作用。
然而，基于深度学习的人脸识别技术也存在一些挑战和争议。
首先，隐私保护问题是目前人脸识别技术所面临的重要问题之一。
人脸识别技术的广泛应用可能会导致个人隐私泄露的风险。
因此，在推广应用人脸识别技术的同时，需要加强相关法律法规的制定和执行，保障个人隐私权利。
基于深度学习的人脸识别技术
基于深度学习的人脸识别技术一、背景介绍人脸识别技术是一种现代化的信息技术，它在安防、智能家居、金融等方面得到了广泛应用。
人脸识别技术的发展历程可以追溯到上个世纪六十年代。
随着计算机的发展和人工智能技术的进步，人脸识别技术也在不断发展。
而基于深度学习的人脸识别技术是当前最先进的人脸识别技术，具有更高的准确性和鲁棒性。
二、基本原理基于深度学习的人脸识别技术的核心是卷积神经网络（Convolutional Neural Network，CNN）。
在人脸识别中，CNN主要实现了两个步骤：人脸检测和人脸识别。
1、人脸检测人脸检测是指在图像或视频流中，通过计算机算法和技术，自动或半自动地找出图像中包含的人脸并进行定位的过程。
在基于深度学习的人脸检测中，主要使用了区域卷积神经网络（Region-based Convolutional Neural Network，R-CNN）和快速区域卷积神经网络（Fast R-CNN）等方法。
2、人脸识别人脸识别是将图像中的人脸进行比对和匹配，从而确定这张人脸的身份的过程。
在基于深度学习的人脸识别中，主要使用了卷积神经网络和循环神经网络（Recurrent Neural Network，RNN）等方法。
三、应用场景基于深度学习的人脸识别技术已经广泛应用于安防、金融、智能家居等领域。
1、安防领域在安防领域中，基于深度学习的人脸识别技术可以实现人员进出监控、黑名单管理、犯罪现场侦查等功能，具有高效、准确、实时、智能的特点。
2、金融领域在金融领域中，基于深度学习的人脸识别技术可以实现账户认证、开户、支付等功能，具有高安全性、高便捷性的特点。
3、智能家居领域在智能家居领域中，基于深度学习的人脸识别技术可以实现人脸门禁、智能家电控制等功能，具有高度个性化、智能化和便捷性的特点。
四、发展前景基于深度学习的人脸识别技术在未来的发展中具有广阔的前景。
随着大数据和人工智能技术的不断发展，基于深度学习的人脸识别技术可以更好地满足实际场景的需求，并不断提高其准确性和鲁棒性。
基于深度学习的人脸识别方法研究综述
基于深度学习的人脸识别方法研究综述人脸检测是人脸识别的第一步，其目标是从图像中定位和提取出人脸区域。
深度学习方法主要包括基于卷积神经网络的人脸检测方法和基于深度级联神经网络的人脸检测方法。
其中，基于卷积神经网络的方法通过训练一个二分类器来判断每个图像块是否是人脸，然后使用滑动窗口技术进行人脸候选区域的生成。
而基于深度级联神经网络的方法则通过级联的方式来逐渐细化人脸候选区域。
人脸对齐是指将检测到的人脸进行标准化，以减小人脸表情、姿态等因素的影响。
目前，基于深度学习的人脸对齐方法主要包括基于2D形状预测的方法和基于3D模型的方法。
前者通过训练一个回归模型来预测关键点的位置，然后使用变换方法将人脸对齐到标准位置。
后者则通过建立一个3D人脸模型来对人脸进行仿射变换和投影变换。
人脸识别是基于深度学习的人脸识别方法的核心部分，其目标是通过学习一个具有强鲁棒性的人脸特征表达，并将其应用于人脸识别任务中。
常用的方法包括基于深度神经网络的方法和基于深度度量学习的方法。
前者通过训练一个多层神经网络来提取人脸的特征向量，然后使用分类器来进行人脸识别。
后者则通过将人脸图像映射到一个低维空间，并学习一个距离度量函数来衡量人脸之间的相似度。
近年来，基于深度学习的人脸识别方法在性能上取得了巨大的突破，不仅在识别精度上超越了传统的方法，而且在复杂环境下的鲁棒性也有了明显的提升。
然而，基于深度学习的方法也面临着一些挑战，如需要大量的标注数据、计算资源消耗大等。
因此，如何解决这些问题，进一步提高人脸识别的性能，仍然是未来研究的重要方向。
综上所述，基于深度学习的人脸识别方法已经取得了显著的进展，并在实际应用中得到了广泛的应用。
随着深度学习技术的不断发展和完善，相信基于深度学习的人脸识别方法将在未来继续发挥重要的作用。
《2024年基于深度学习的人脸识别方法研究综述》范文
《基于深度学习的人脸识别方法研究综述》篇一一、引言随着人工智能技术的飞速发展，深度学习在人脸识别领域的应用日益广泛，推动了该领域的飞速进步。
本文将对基于深度学习的人脸识别方法进行全面的研究综述，以期为该领域的进一步研究与应用提供有价值的参考。
二、深度学习在人脸识别中的应用深度学习通过模拟人脑神经网络的工作方式，使得机器能够从大量数据中自动学习和提取特征，为人脸识别提供了强大的技术支持。
在人脸识别领域，深度学习主要应用于特征提取、模型训练和识别等环节。
1. 特征提取：深度学习通过构建深度神经网络，从原始图像数据中自动提取出有效的人脸特征，如面部轮廓、五官位置、纹理等。
这些特征对于后续的识别过程至关重要。
2. 模型训练：利用大量标注的人脸数据，通过训练深度神经网络来学习人脸特征的表达和分类。
在这个过程中，网络能够自动调整参数，以实现更好的识别效果。
3. 识别过程：在完成模型训练后，可以通过输入新的人脸图像，利用已训练的模型进行人脸识别。
深度学习能够根据提取的特征，将新的人脸图像与数据库中的人脸进行比对，从而实现识别。
三、基于深度学习的人脸识别方法研究现状目前，基于深度学习的人脸识别方法主要包括卷积神经网络（CNN）、深度神经网络（DNN）、循环神经网络（RNN）等。
这些方法在特征提取、模型训练和识别等方面各有优势。
1. 卷积神经网络（CNN）：CNN在人脸识别中应用广泛，其通过卷积操作提取人脸特征，具有较好的鲁棒性和抗干扰能力。
此外，CNN还能有效处理图像的平移、旋转和尺度变化等问题。
2. 深度神经网络（DNN）：DNN通过多层神经元的组合和连接，能够从大量数据中学习和提取复杂的人脸特征。
在人脸识别中，DNN能够提高识别的准确性和稳定性。
3. 循环神经网络（RNN）：RNN在处理序列数据方面具有优势，可以用于人脸识别中的动态表情和姿态识别等问题。
通过RNN，可以更好地捕捉人脸的时空信息，提高识别的准确性。
基于深度学习的人脸识别方法研究综述
基于深度学习的人脸识别方法研究综述基于深度学习的人脸识别方法研究综述人脸识别作为一种重要的生物特征识别技术，在诸多领域得到了广泛应用，如安全监控、电子支付、社交网络等。
随着深度学习技术的快速发展，基于深度学习的人脸识别方法逐渐成为研究热点。
本文将综述近年来基于深度学习的人脸识别方法的研究进展，包括人脸特征提取、人脸检测与对齐、人脸验证和人脸识别等方面。
一、人脸特征提取人脸特征提取是人脸识别中的核心环节，其目标是将人脸图像中的信息转化为具有辨识能力的特征向量。
目前，基于深度学习的人脸特征提取方法主要包括基于卷积神经网络（CNN）和基于生成对抗网络（GAN）的方法。
其中，CNN主要通过在多层次上提取人脸图像的局部以及全局特征，并将它们融合到最终的特征向量中。
GAN则通过生成器和鉴别器的博弈过程，生成逼真的人脸图像，并从中提取有用的特征向量。
二、人脸检测与对齐人脸检测与对齐是在人脸图像中精确定位出人脸并对其进行标准化的过程。
基于深度学习的人脸检测与对齐方法主要有两种思路，一种是基于Proposal的方法，如R-CNN、Fast R-CNN 和Faster R-CNN等，另一种是基于单阶段的方法，如YOLO和SSD等。
这些方法通过学习图像中人脸的特征模式，实现高效且准确的人脸检测与对齐。
三、人脸验证人脸验证是指判断两个给定的人脸图像是否属于同一个人。
基于深度学习的人脸验证方法主要通过学习一个特征空间，将输入的人脸图像映射到特征向量上，并计算两个特征向量之间的距离来判断是否属于同一个人。
常用的深度学习模型包括Siamese网络和Triplet网络等，它们都具有较好的特征区分能力和鲁棒性。
四、人脸识别人脸识别是指从多个候选人中识别出给定的人脸图像所属的身份。
基于深度学习的人脸识别方法主要借鉴人脸验证的思想，通过学习一个更大的特征空间，实现多个人脸图像之间的比对和识别。
在大规模人脸识别任务中，深度学习模型如Inception-ResNet和VGG等被广泛应用，并取得了显著的性能提升。
基于深度学习的人脸识别技术综述
基于深度学习的人脸识别技术综述人脸识别技术是21世纪以来迅速应用于安全检测、人机交互等领域的一种重要技术之一。
基于深度学习的人脸识别技术是人脸识别技术的发展方向，其对于该领域做出了重要贡献。
本文将对基于深度学习的人脸识别技术进行综述，并指出未来发展的方向。
一、基于深度学习的人脸识别技术现状目前基于深度学习的人脸识别技术已经得到广泛的应用。
该技术使用深度神经网络进行人脸特征提取，并且建立起了一种分布式人脸特征表示框架，通过训练数据的特征表示和样本间的相似度计算完成人脸识别任务。
1. 单张人脸识别基于卷积神经网络的方法是目前应用最广的一种人脸识别方法。
通过采用卷积神经网络对人脸进行训练，使之能够学习出人脸的特征，从而实现人脸识别功能。
2. 多人脸识别对于人脸识别领域的多人脸识别问题，传统的基于深度学习的人脸识别方法存在以下问题：1）人脸特征的提取难度较大；2）训练数据不足；3）模型拟合能力不强。
因此，近年来关于多人脸识别问题的研究越来越受到关注。
3. 人脸图像生成人脸图像生成是指通过神经网络生成与原始图像相似的人脸图像。
通过训练神经网络来学习人脸图像的生成模式，从而在未知数据上生成新的人脸图像。
二、基于深度学习的人脸识别技术的研究进展及未来方向1. 人脸识别的应用目前基于深度学习的人脸识别技术已经被应用于各个领域，如人机交互、安全检测、证件验证等。
在未来，该技术将更加广泛地应用于各种应用场景中。
2. 人脸识别的精度提升在目前的基于深度学习的人脸识别技术中，还存在着一些识别精度上的问题。
未来的研究重点将会放在如何提高人脸识别的准确率上，从而使之能够更准确地应用于各种场景。
3. 人脸识别的模型加速在基于深度学习的人脸识别技术中，模型的复杂度往往很高，因此训练和执行的速度也很慢。
为了实现实时人脸识别技术，未来研究将会加大对于人脸识别模型的优化研究，从而提高其速度。
三、结论人脸识别技术是21世纪以来发展较为迅速的一种重要技术。
《2024年基于深度学习的人脸识别方法综述》范文
《基于深度学习的人脸识别方法综述》篇一一、引言随着人工智能技术的飞速发展，人脸识别技术已成为当今社会关注的热点。
作为计算机视觉领域的重要分支，人脸识别技术在安全监控、身份认证、智能交互等多个领域得到了广泛应用。
深度学习技术的出现为人脸识别提供了新的解决方案，使得人脸识别的准确性和效率得到了显著提升。
本文旨在综述基于深度学习的人脸识别方法，分析其原理、技术特点及发展趋势。
二、深度学习在人脸识别中的应用深度学习是一种模拟人脑神经网络结构的机器学习方法，通过构建多层神经网络来提取数据的深层特征。
在人脸识别领域，深度学习主要应用于特征提取和分类识别两个阶段。
1. 特征提取特征提取是人脸识别的关键步骤，其目的是从原始图像中提取出能够表征人脸特征的有效信息。
深度学习通过构建卷积神经网络（CNN）等模型，自动学习从原始图像中提取出高维度的特征表示，这些特征对于人脸识别任务具有较好的鲁棒性和区分性。
2. 分类识别分类识别是利用已提取的特征进行人脸匹配和识别的过程。
深度学习通过构建全连接层、支持向量机（SVM）等模型，对提取的特征进行分类和识别。
在人脸识别任务中，深度学习可以有效地提高识别的准确性和效率。
三、基于深度学习的人脸识别方法基于深度学习的人脸识别方法主要包括基于深度神经网络的人脸识别方法和基于深度学习的三维人脸识别方法。
1. 基于深度神经网络的人脸识别方法该方法通过构建多层神经网络模型，对人脸图像进行特征提取和分类识别。
常见的模型包括卷积神经网络（CNN）、深度置信网络（DBN）等。
这些模型能够自动学习和提取出高维度的特征表示，提高了人脸识别的准确性和鲁棒性。
2. 基于深度学习的三维人脸识别方法该方法利用三维信息来提高人脸识别的准确性和鲁棒性。
通过构建三维模型来获取人脸的立体信息，再结合深度学习技术进行特征提取和分类识别。
这种方法对于姿态变化、表情变化等复杂场景具有较好的适应性和鲁棒性。
四、技术特点及发展趋势基于深度学习的人脸识别方法具有以下技术特点：1. 高效性：深度学习能够自动学习和提取出高维度的特征表示，提高了人脸识别的效率和准确性。
《2024年基于深度学习的人脸识别方法研究综述》范文
《基于深度学习的人脸识别方法研究综述》篇一一、引言随着科技的进步，人工智能在多个领域的应用愈发广泛，其中人脸识别技术以其高效、便捷的特点在众多应用中占据重要地位。
近年来，基于深度学习的人脸识别方法逐渐成为研究热点，其在安全监控、支付、门禁系统等众多领域发挥着重要作用。
本文将对基于深度学习的人脸识别方法进行深入研究与综述。
二、深度学习在人脸识别中的应用深度学习作为一种机器学习方法，通过模拟人脑神经网络的工作方式，对大量数据进行学习和分析，从而实现对复杂模式的识别和预测。
在人脸识别领域，深度学习通过构建深度神经网络，从大量人脸数据中提取特征，进而实现人脸的准确识别。
三、基于深度学习的人脸识别方法研究现状1. 人脸数据集的构建与优化：为提高人脸识别的准确性，大量的人脸数据集被不断优化与扩展。
这些数据集涵盖了不同种族、年龄、性别和表情的人脸图像，有助于深度学习模型学习到更加全面的特征。
2. 深度神经网络模型的改进：为提高人脸识别的精度和效率，研究者们不断改进深度神经网络模型。
例如，卷积神经网络（CNN）和循环神经网络（RNN）等在人脸识别中发挥了重要作用。
此外，一些新型的网络结构如残差网络（ResNet）、生成对抗网络（GAN）等也在人脸识别领域取得了显著成果。
3. 人脸特征提取与匹配：基于深度学习的人脸识别方法通过提取人脸特征并进行匹配，实现人脸的准确识别。
其中，特征提取是关键步骤，包括局部特征提取和全局特征提取等方法。
此外，人脸匹配算法的优化也是提高人脸识别准确性的重要手段。
四、基于深度学习的人脸识别方法研究挑战与展望尽管基于深度学习的人脸识别方法取得了显著成果，但仍面临一些挑战和问题。
首先，如何提高算法在复杂环境下的识别能力是当前研究的重点。
其次，如何保护个人隐私和信息安全也是亟待解决的问题。
此外，针对不同应用场景和需求，如何设计出更加高效、便捷的人脸识别算法也是未来的研究方向。
五、结论基于深度学习的人脸识别方法在多个领域发挥着重要作用。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
基于深度学习的人脸识别技术综述简介：人脸识别是计算机视觉研究领域的一个热点，同时人脸识别的研究领域非常广泛。
因此，本技术综述限定于：一，在LFW数据集上（Labeled Faces in the Wild）获得优秀结果的方法; 二，是采用深度学习的方法。
前言LFW数据集（Labeled Faces in the Wild）是目前用得最多的人脸图像数据库。
该数据库共13，233幅图像，其中5749个人，其中1680人有两幅及以上的图像，4069人只有一幅图像。
图像为250*250大小的JPEG格式。
绝大多数为彩色图，少数为灰度图。
该数据库采集的是自然条件下人脸图片，目的是提高自然条件下人脸识别的精度。
该数据集有6中评价标准：一，Unsupervised；二，Image-restricted with no outside data；三，Unrestricted with no outside data；四，Image-restricted with label-free outside data；五，Unrestricted with label-free outside data；六，Unrestricted with labeled outside data。
目前，人工在该数据集上的准确率在0.9427~0.9920。
在该数据集的第六种评价标准下（无限制，可以使用外部标注的数据），许多方法已经赶上（超过）人工识别精度，比如face++,DeepID3，FaceNet等。
图一/表一：人类在LFW数据集上的识别精度表二：第六种标准下，部分模型的识别准确率（详情参见lfw结果）续上表本文综述的人脸识别方法包括以下几个筛选标准：一，在上表中识别精度超过0.95（超过人类的识别准确度）；二，公布了方法（部分结果为商业公司提交，方法并未公布，比如Tencent-BestImage）；三，使用深度学习方法；三，近两年的结果。
本文综述的方法包括：1，face++（0.9950 ）；2，DeepFace（0.9735 ）；3,FR+F（0.9645 ）；4，DeepID （0.9745 ）；5，FaceNet（0.9963 ）；6，baidu的方法（0.9977 ）；7,pose+shape+expression augmentation（0.9807）；8，N-3DMM estimation(0.9235 ，准确率没那么高，但是值得参考)。
人脸识别方法1，face++(0.9950)参考文献：Naive-Deep face Recognition: Touching the Limit of LFW Benchmark or Not?face++从网络上搜集了5million人脸图片用于训练深度卷积神经网络模型，在LFW数据集上准确率非常高。
该篇文章的网路模型很常规（常规深度卷积神经网络模型），但是提出的问题是值得参考的。
问题一：他们的Megvii Face Recognition System经过训练后，在LFW数据集上达到了0.995的准确率。
在真实场景测试中（Chinese ID （CHID）），该系统的假阳性率（FP=10-5）非常低。
但是，真阳性率仅为0.66，没有达到真实场景应用要求。
其中，年龄差异（包括intra-variation：同一个人，不同年龄照片；以及inter-variation：不同人，不同年龄照片）是影响模型准确率原因之一。
而在该测试标准(CHID)下，人类表现的准确率大于0.90。
图1-1：在CHID中出错的样本问题二：数据采集偏差。
基于网络采集的人脸数据集存在偏差。
这些偏差表现在：1，个体之间照片数量差异很大；2，大部分采集的照片都是：微笑，化妆，年轻，漂亮的图片。
这些和真实场景中差异较大。
因此，尽管系统在LFW数据集上有高准确率，在现实场景中准确率很低。
问题三：模型测试假阳性率非常低，但是现实应用中，人们更关注真阳性率。
问题四：人脸图片的角度，光线，闭合（开口、闭口）和年龄等差异相互的作用，导致人脸识别系统现实应用准确率很低。
因此，该文章提出未来进一步研究的方向。
方向一：从视频中提取训练数据。
视频中人脸画面接近于现实应用场景（变化的角度，光照，表情等）；方向二：通过人脸合成方法增加训练数据。
因为单个个体不同的照片很困难（比如，难以搜集大量的单个个体不同年龄段的照片，可以采用人脸合成的方法（比如3D人脸重建）生成单个个体不同年龄段的照片）。
该文章提出的方向在后续方法介绍中均有体现。
2，DeepFace（0.9735 ）参考文献：Deepface: Closing the gap to humal-level performance in face verification2.1 简介常规人脸识别流程是：人脸检测-对齐-表达-分类。
本文中，我们通过额外的3d模型改进了人脸对齐的方法。
然后，通过基于4million人脸图像（4000个个体）训练的一个9层的人工神经网络来进行人脸特征表达。
我们的模型在LFW数据集上取得了0.9735的准确率。
该文章的亮点有以下几点：一，基于3d模型的人脸对齐方法；二，大数据训练的人工神经网络。
2.2 人脸对齐方法文中使用的人脸对齐方法包括以下几步：1，通过6个特征点检测人脸；2，剪切；3，建立Delaunay triangulation；4，参考标准3d模型；5，将3d模型比对到图片上；6，进行仿射变形；7，最终生成正面图像。
图2-1 人脸对齐的流程2.3 深度神经网络图2-2：深度神经网络2.4 结果该模型在LFW数据集上取得了0.9735准确率，在其它数据集比如Social Face Classification (SFC) dataset和YouTube Faces (YTF) dataset也取得了好结果，详情请参见原文。
3，FR+F（0.9645 ）参考文献：Recover Canonical-View Faces in the Wild with Deep Neural Networks3.1 简介自然条件下，因为角度，光线，occlusions（咬合/口闭口），低分辨率等原因，使人脸图像在个体之间有很大的差异，影响到人脸识别的广泛应用。
本文提出了一种新的深度学习模型，可以学习人脸图像看不见的一面。
因此，模型可以在保持个体之间的差异的同时，极大的减少单个个体人脸图像（同一人，不同图片）之间的差异。
与当前使用2d环境或者3d信息来进行人脸重建的方法不同，该方法直接从人脸图像之中学习到图像中的规则观察体（canonical view，标准正面人脸图像）。
作者开发了一种从个体照片中自动选择/合成canonical-view的方法。
在应用方面，该人脸恢复方法已经应用于人脸核实。
同时，该方法在LFW数据集上获得了当前最好成绩。
该文章的亮点在于：一，新的检测/选择canonical-view的方法；二，训练深度神经网络来重建人脸正面标准图片（canonical-view）。
3.2 canonical view选择方法我们设计了基于矩阵排序和对称性的人脸正面图像检测方法。
如图3-1所示，我们按照以下三个标准来采集个体人脸图片：一，人脸对称性（左右脸的差异）进行升序排列；二，图像锐度进行降序排列；三，一和二的组合。
图3-1 正面人脸图像检测方法3.3 人脸重建如图3-2所示，深度神经网络包含三层。
前两层后接上了max pooling；最后一层接上了全连接层。
于传统卷积神经网络不同，我们的filters不共享权重（我们认为人脸的不同区域存在不同类型的特征）。
第l层卷积层可以表示为：图3-2 深度神经网络最终，经过训练的深度神经网络生成的canonical view人脸图像如图3-3所示。
图3-3 canonical view人脸图像4，DeepID（0.9745 ）参考文献：DeepID3: Face Recognition with Very Deep Neural Networks4.1 简介深度学习在人脸识别领域的应用提高了人脸识别准确率。
本文中，我们使用了两种深度神经网络框架（VGG net 和GoogleLeNet）来进行人脸识别。
两种框架ensemble结果在LFW数据集上可以达到0.9745的准确率。
文章获得高准确率主要归功于大量的训练数据，文章的亮点仅在于测试了两种深度卷积神经网络框架。
4.2 深度神经网络框架图4-1 两种深度卷积神经网络框架5，FaceNet(0.9963)参考文献：FaceNet: A Unified Embedding for Face Recognition and Clustering 5.1 简介作者开发了一个新的人脸识别系统：FaceNet，可以直接将人脸图像映射到欧几里得空间，空间的距离代表了人脸图像的相似性。
只要该映射空间生成，人脸识别，验证和聚类等任务就可以轻松完成。
该方法是基于深度卷积神经网络，在LFW数据集上，准确率为0.9963，在YouTube Faces DB数据集上，准确率为0.9512。
FaceNet的核心是百万级的训练数据以及triplet loss。
5.2 triplet loss图5-1 triplet loss示意图5.3 深度卷积神经网络采用adagrad优化器，使用随机梯度下降法训练N模型。
在cpu集群上训练了1000-2000小时。
边界值α设定为0.2。
总共实验了两类模型，参数如表5-1和表5-2所示。
126，baidu的方法参考文献：Targeting Ultimate Accuracy : Face Recognition via Deep Embedding6.1 简介本文中，作者提出了一种两步学习方法，结合mutil-patch deep N和deep metric learning，实现脸部特征提取和识别。
通过1.2million（18000个个体）的训练集训练，该方法在LFW 数据集上取得了0.9977的成绩。
6.2 multi-patch deep N人脸不同区域通过深度卷积神经网络分别进行特征提取。
如图6-1所示。
图6-1 multi-patch示意图6.3 deep metric learning深度卷积神经网络提取的特征再经过metric learning将维度降低到128维度，如图7-2所示。
图6-2 metric learning示意图7,pose+shape+expression augmentation（0.9807）参考文章：Do We Really Need to Collect Millions of Faces for Effective Face Recognition7.1 简介该文章的主要思路是对数据集进行扩增（data augmentation）。