2025 年的人脸识别：连体网络还是二元分类？

从安全系统到社交媒体，人脸识别在各种应用中都发挥着至关重要的作用。虽然三重损失是一种广泛用于训练卷积神经网络（CNN）的方法，但另一种策略则将该任务视为二元分类问题。这种方法利用连体网络，提供了一种学习有效人脸验证所需参数的独特方法。下面，我们将探讨如何通过使用一对神经网络生成嵌入来实现这一目标。

关键点

连体网络对人脸验证非常有效。

人脸识别可以建模为二元分类任务。

学习相似性函数包含逻辑回归。

预先计算嵌入可提高部署效率。

流程包括数据收集、模型训练、评估和部署。

人脸验证和识别都可以使用二元分类法进行训练，以替代三元损失法。

了解人脸识别和验证

作为二元分类的人脸识别

人脸识别不仅仅是识别一个人，它还能验证一个人声称的身份。这就是所谓的人脸验证。一种实用的方法将验证视为二元分类问题。系统不需要区分众多人脸，而是回答一个简单明了的问题："这两张脸属于同一个人吗？这种二元框架简化了问题，提高了计算效率。该技术依赖于一个连体网络，它由两个具有共享权重和架构的相同神经网络组成。每个网络处理一张输入图像，然后比较它们的输出，得出相似度得分。如果得分超过规定的阈值，则认为这两张面孔是匹配的；反之，则将它们归类为不同的面孔。经过训练，网络对匹配的身份输出 1，对不匹配的身份输出 0。这与更复杂的系统形成了鲜明对比，后者必须对大量已知个体进行区分。

连体网络结构

该方法以连体网络架构为核心。

这种架构将两个相同的神经网络配对，每个网络处理两个输入图像中的一个。这些网络计算嵌入，嵌入是编码独特面部特征的高维向量。通过比较这些嵌入，系统可以评估面部相似性。嵌入过程一般包括卷积层、池化层和全连接层，每个层都会从图像中逐步提取复杂的特征。最终的输出是一个通常为 128 维的向量，它捕捉了面部的基本特征。更大的维度也可用于检测更精细的细节。最重要的是，连体设置中的两个网络共享相同的参数，确保嵌入是通过相同的特征提取过程生成的，并具有直接可比性。

利用逻辑回归学习相似性函数

使用逻辑回归

要确定两张人脸是否代表同一个人，必须对来自连体网络的嵌入进行比较。逻辑回归单元会对这些嵌入应用一个sigmoid 函数，生成一个反映匹配可能性的概率分数。该单元的输入并不是原始的嵌入，而是从嵌入中提取的特征。常见的方法是计算两个嵌入式之间的元素绝对差值，强调差异最大的特征。池方相似度是另一种常用的技术。这样做的目的是形成具有高度区分度的特征，使逻辑回归单元能够做出精确的预测。元素间的差异会反馈到逻辑回归模型中，该模型会学习分配适当的权重。如果差异很小，该单元就会分配高概率，表示是同一个人；如果差异很大，它就会分配低概率，表示是不同的人。

训练连体网络和逻辑回归

逐步训练过程

1. 收集训练数据：首先编制一个人脸图像数据集，用标签标明图像对描述的是同一个人还是不同的人。该数据集可训练连体网络和逻辑回归单元。
2. 设置连体网络：配置两个具有相同架构和共享权重的相同 CNN。这些网络将学习从输入的人脸图像生成嵌入。
3. 计算特征差异：确定每个图像对的两个 CNN 生成的嵌入之间的元素绝对差异。这些差异将成为逻辑回归单元的输入特征。
4. 整合逻辑回归：采用逻辑回归模型将特征差异转换为概率分数，以显示人脸是否匹配。
5. 微调：通过调整分配给特征的权重（如 128 维嵌入中的权重）来完善逻辑回归层。
6. 反向传播训练：使用反向传播训练整个系统--网络和逻辑回归单元。这将使惩罚预测错误的损失函数最小化，通过优化网络权重和偏差逐步提高准确性。
7. 调整权重：最终的逻辑回归模型可以包含权重（W）和偏置（B）等附加参数。
8. 预计算嵌入：为加快部署速度，可预先计算嵌入，以便进行快速比较。

用于人脸识别的连体网络的优缺点

优点

计算效率

直接解决人脸识别问题

有效的特征提取

缺点

训练数据要求

过度拟合的可能性

通用性有限

常见问题

什么是连体网络，它们在人脸识别中如何发挥作用？

连体网络是由两个或多个相同子网络组成的神经网络。每个子网络接收不同的输入，但与其他子网络共享权重。在人脸识别中，这些网络处理成对的人脸图像以产生嵌入，然后评估其相似性。

为什么人脸识别有时被视为二元分类问题？

将人脸识别视为二元分类问题，可将其简化为确定两张人脸是否匹配，从而提高了区分众多个体的效率。这种方法使用连体网络来比较成对的人脸图像。

逻辑回归在学习人脸识别的相似性函数中起什么作用？

逻辑回归将连体网络嵌入之间的差异映射为概率分数。这个分数可以估算出两张人脸是同一个人的可能性，从而支持二元判定。

相关问题

这种连体网络方法与三重损失等传统方法相比有何优势？

三重损失等传统方法旨在学习一个嵌入空间，在这个空间中，同一个人的面孔距离较近，而不同人的面孔距离较远。暹罗网络结构用于二元分类，专注于验证两张面孔是否相同，具有计算优势。最佳选择取决于具体应用和数据集特征。

是否有其他方法来评估嵌入的相似性？

有，其他方法包括余弦相似度、欧氏距离和卡方相似度。卡方相似度公式为人脸识别提供了另一种方法。每种技术都各有所长，适合不同的数据类型和使用情况。例如，余弦相似性在处理高维数据时效果很好，而欧氏距离在处理低维数据时效果很好。

实际部署训练有素的系统涉及哪些方面？

部署需要预先计算嵌入，以避免存储原始图像。该系统基于连体网络架构，旨在有效比较这些嵌入。