机器学习课程-温州大学-10深度学习-人脸识别与风格迁移

• 语言: 中文（简体）
• 格式: .pdf
• 来源: github.com/fengdu78

摘要

文档为温州大学《机器学习课程》中关于深度学习的人脸识别与风格迁移章节。内容分为两部分：第一部分为人脸识别概述，包括人脸验证（输入图片与ID验证是否为同一人）、人脸识别（从K人数据库中识别输入图像）、人脸聚类（使用K-Means对数据库中人脸聚类）以及One-Shot学习（通过单一样本识别同一个人，学习函数d(img1,img2)度量图像差异）。第二部分为神经风格迁移，涉及内容图像(C)、风格图像(S)与生成图像(G)的转换，并提及多层卷积能抽取复杂特征：浅层学习边缘、角点等简单特征，深层学习狗、人脸等复杂抽象特征。文档还列出人脸检测常用深度学习框架如MTCNN、Face r-CNN、PyramidBox、FaceNet等。

AI总结

该文档为温州大学黄海广副教授的《深度学习-人脸识别和风格迁移》课程讲义，内容主要分为两大部分：

**第一部分：人脸识别概述**

1. **核心概念区分**：明确了**人脸验证**（判断是否为指定人）与**人脸识别**（从数据库中找出是谁）的区别。此外，还提到了**人脸聚类**（对数据库中人脸进行分组）。
2. **关键技术**：
* **One-Shot学习**：针对只有一张样本的情况，通过学习一个函数 `d(img1, img2)` 计算两张图片的差异度，从而判断是否为同一人。
* **常用算法**：列举了基于深度学习的检测框架，包括MTCNN、Face r-CNN、PyramidBox、FaceNet等。
* **预处理**：涉及将人脸转换到统一角度和姿势，并确定眼角、鼻尖等关键点。

**第二部分：神经风格迁移**

1. **核心概念**：利用深度学习，将一张图片的内容（Content）与另一张图片的风格（Style）融合，生成全新的图像（Generated image）。
2. **技术原理**：基于多层卷积神经网络。浅层网络学习边缘、纹理等简单特征，深层网络则学习狗、人脸等复杂抽象特征，通过调整不同层的特征来实现风格与内容的分离与重组。