人脸识别（Face recognition）-简要介绍_face-recognition

来源：Coursera吴恩达深度学习课程

卷积神经网络包括一些特殊的特殊应用，例如人脸识别（face recognition）和神经风格迁移（neural style transfer）。

从人脸识别开始，这里Andrew演示了百度的人脸识别系统（face recognition system）。讲解时播放了一段短视频。

视频在百度的中国总部，在这里进入公司不需要刷工卡，使用人脸识别，机器会识别人脸，然后可通过。当Andrew经过人脸识别机器时，可以正常通过。

然后，林元庆，IDL（百度深度学习实验室）的主管，尝试拿着Andrew的工卡，用头像照片而不是真人来通过，系统拒绝识别。

这个视频展示了人脸识别（face recognition）和活体检测（liveness detection），后一项技术确认你是一个活人。事实上，活体检测可以使用监督学习（supervised learning）来实现，去预测是不是一个真人。下面主要想讲的是，如何构造这个系统中的人脸识别这一部分。首先，了解一下人脸识别的术语。

在人脸识别的相关文献中，经常提到人脸验证（face verification）和人脸识别（face recognition）。这是人脸验证问题，如果你有一张输入图片，以及某人的ID或者是名字，这个系统要做的是，验证输入图片是否是这个人。这也被称作1对1问题，只需要弄明白这个人是否和他声称的身份相符。

而人脸识别问题比人脸验证问题难很多（1对多问题（1:K））。假设有一个验证系统，准确率是99%，还可以。如果你把这个验证系统应用在100个人的人脸识别上，犯错的机会就是100倍了。如果每个人犯错的概率是1%，如果你有一个上百人的数据库，如果你想得到一个可接受的识别误差或者构造一个验证系统，其准确率为99.9%或者更高，然后才可以在100人的数据库上运行，而保证有很大几率不出错。事实上，如果我们有一个100人的数据库，正确率可能需要远大于99%，才能得到很好的效果。

之后的几个文章主要讲如何构造人脸验证，作为基本模块（building block），如果准确率够高，你就可以把它用在识别系统上。

说明：记录学习笔记，如果错误欢迎指正！转载请联系我。