摘要

本文提出通过深度学习方法学习一组高层特征表示，称为深度隐式身份特征（DeepID），用于人脸识别验证任务。我们认为，DeepID能够通过具有挑战性的多类别人脸识别任务有效学习，且其特征具有良好的泛化能力，可适用于其他任务（如验证任务），并能处理训练集中未见的新身份。此外，随着训练过程中需预测的类别数量增加，DeepID的泛化能力也随之提升。DeepID特征源自深度卷积网络（ConvNets）最后一层隐藏层的神经元激活值。当这些深层ConvNets被训练为识别约10,000个人脸身份，并配置为在特征提取层次结构中逐步减少隐藏神经元数量时，网络顶层会逐渐形成紧凑且与身份相关的特征表示，仅需少量隐藏神经元即可实现。所提出的特征从人脸的不同区域提取，以构建互补且过完备的表示。基于这些高层特征表示，可训练任意先进的分类器用于人脸识别验证。在仅使用弱对齐人脸的情况下，该方法在LFW数据集上实现了97.45%的验证准确率。