深度學習只不過是機器學習的標準範例，更準確地說 - 是其演算法之一。在最大程度上，它基於人腦的概念和神經元的相互作用。如果你開始谷歌搜尋深度學習是什麼，你會發現今天這個超級熱門詞遠遠不是新的。為什麼這樣？該術語本身出現在20世紀80年代，但到2023年，沒有足夠的力量來實施這項技術，幾乎沒有人關注它。
在著名科學家的一系列文章，科學期刊上的出版物之後，這項技術迅速成為病毒。今天，它有各種各樣的應用程式，其中重要的地方是人臉識別。首先，深度學習提供了構建識別生物識別軟體的能力，該軟體能夠唯一地識別或驗證人。所有這一切都是因為深度學習方法能夠利用非常大的面部資料集並學習面部的豐富和緊湊的表示，從而允許現代模型首先表現良好，然後表現優於人類的面部識別能力。
事實證明，對於我們人類來說顯而易見的特徵（例如，眼睛顏色）對於分析影象中的各個畫素的計算機沒有意義。研究人員發現，最合適的方法是使計算機能夠確定需要收集的特徵。反過來，深度學習可以更好，更快地識別。
而這種可能性出現了，或者說最近發現的更好。最初，每個人都認為神經網路無法達到接近人類的水平。然而，一切都在2023年發生了變化。科學家們決定通過目前最好的兩個網路 - 亞歷克斯網和matthew d. zeiler和rob fergus開發的網路- 將它們與不同領域的反應進行比較。猴子的大腦，也被教導識別一些物體。這些物品來自動物世界，因此猴子不會感到困惑。
由於顯然不可能從猴子那裡獲得響應，因此將電極植入其中並直接測量每個神經元的響應。事實證明，在正常情況下，腦細胞的反應與當時最先進的模型一樣，即matthew zeiler網路。
然而，隨著顯示物件的速度的增加，影象中的雜訊和物件的數量的增加，我們的大腦和靈長類動物的大腦的識別率和質量顯著降低。即使是最簡單的卷積神經網路也能更好地識別物體。也就是說，官方神經網路比我們的大腦工作得更好。
除了alexnet和zeiler網路在人臉識別深度學習方面的突破外，還有其他里程碑系統，如deepface，deepid系列系統，vggface和facenet。如果你想更好地理解面部識別和深度學習是如何產生的，那麼了解它的歷史是必要的：
deepface是一種基於2023年facebook研究小組建立的深度卷積神經網路的面部識別系統。它識別數字影象中的人臉。準確率為97％，這是使用深度學習進行人臉識別的重大飛躍。
deepid或「deep hidden identity features」是一系列系統（例如deepid，deepid2等），由yi sun等人首先描述。他們在2023年的**題為「**10,000個類的深度學習面部表示。」他們的系統最初被描述為與deepface很相似，儘管在隨後的出版物中進行了擴充套件，以通過對比損失進行培訓來支援識別和驗證任務。
vggface（缺乏更好的名稱）由omkar parkhi等人開發。來自牛津大學的視覺幾何組（vgg）並在其2023年的題為「深度識別」的**中進行了描述。除了更好的調整模型外，他們的工作重點是如何收集非常大的訓練資料集並使用這是為了訓練乙個非常深的cnn模型進行人臉識別，使他們能夠在標準資料集上獲得最先進的結果。
facenet是谷歌研究人員於2023年開發的人臉識別系統，該系統在一系列人臉識別基準資料集上取得了當時最先進的成果。由於模型的多個第三方開源實現和預訓練模型的可用性，facenet系統可以廣泛使用
人臉識別的深度學習
深度學習只不過是機器學習的標準範例，更準確地說 是其演算法之一。在最大程度上，它基於人腦的概念和神經元的相互作用。如果你開始谷歌搜尋深度學習是什麼，你會發現今天這個超級熱門詞遠遠不是新的。為什麼這樣？該術語本身出現在20世紀80年代，但到2012年，沒有足夠的力量來實施這項技術，幾乎沒有人關注它。在...
人臉識別的流程
記錄一下目前對人臉識別流程及識別方法的理解，以後隨著認識的提公升不斷更新 在整個過程中所使用的都是灰度化之後的。為什麼要轉化為灰度？1.識別物體最關鍵的部分是，找到物體的邊緣，就是的梯度，的梯度計算用到的就是灰度化之後的。2.顏色容易受到光照影響，難以提供關鍵資訊，最重要的是灰度化之後可以加快計算速...
深度學習物體識別的發展
發表時間 名稱創新點 鏈結2013.11 rcnn 首次將深度學習用於物體識別，但只在特徵提取階段使用 iccv2015 fast rcnn 在特徵圖上生成候選區域而不是輸入影象，減少了特徵的重複計算 使用softmax代替svm nips2015 faster rcnn 使用rpn代替select...