DeepID2+ face recognition

DeepID2+[1]的结构与DeepID2[2]基本一致，不同之处在于每个conv layer的feature maps数量不同，同时每个conv layer在maxpooling之后都连接了fully-connected layer（简称Fc-1，Fc-2，Fc-3，Fc-4）。与DeepID2一样，DeepID2+也引入了identification signals和verifacation signals，并且在所有的Fc层（Fc-1，Fc-2，Fc-3，Fc-4层）均含有这两类信号。
由于对结构进行了调整，使得人脸验证的准确率提升到了99.47％，并且对遮挡情况具有一定的鲁棒性。除此之外，在论文中作者还验证了DeepID2+的三个特性——sparsity，selectiveness和robustness，试图揭示深度神经网络为何具有如此高效的性能。

Network Architecture

上图为DeepID2+的网络结构。这里有几个不同的地方：

1.每个conv层的feature maps都增加到了128
2.training set更大，除了包含原来DeepID,DeepID2使用的CelebFaces+，还加入了WDRef数据集。使得训练集包含了290000 张12000不同identities的人脸，在之前的DeepID2中使用的数据集只包含了160000张8000不同identities的人脸。
3.对于每个conv层，在maxpooling之后都会连接一个fully-connected层，它们作为最终的人脸feature，后面的实验会介绍这几个fc层的使用，FC-4的鲁棒性是最好的。每个FC层都是512维的，训练的过程中都引入了identification signals和verifacation signals。

可以看出，相比于DeepID2，DeepID2+的网络规模更大，而且引入的信息也更多了。

Performance

在训练的过程中，参数的更新方式和DeepID2基本一样，input face patches也采用了和DeepID中一样的25个patches。
测试的时候，DeepID2+采用了FC-4 layer作为特征。
在性能上，25个不同的DeepID2+ features都完胜DeepID2 features

Three Properties

在介绍了DeepID2+之后，作者还试图从本质上揭示它如此高效的本质，揭开深度神经网络的神秘面纱。

sparsity

对于同一张输入图像，不同的神经元对它的反应是不同的，大概有一半的神经元处于激活状态，而另一半处于抑制状态，这使得不同的identity具有最大的区分性。
而对于同一神经元，大概有一半的样本能将其激活，而对另一半处于抑制状态，这使得神经网络具有最大的区分能力。
同时，是否使用dropout对上述两种现象基本没有影响。

之后，文章还验证了神经元的激活状态比激活值更重要，在将DeepID2+ features二值化之后，得到的验证结果只比原来稍微下降一点。将来可采用binary code直接作为特征，这样既能提高匹配速度，还能节省存储空间。

selectiveness

这里说明DeepID2+ features具有属性信息，除了能利用它来进行face cerification，还可以用来进行性别、肤色、种族等的区分。
除此之外，每个神经元对同一identify或者attribute的敏感程度不同，200左右的神经元较为活跃，neural ID大于400的神经元活跃度很低。而对于其它所有的图像，活跃度变化基本不大，而且活跃度基本处于中间位置，这里可以看出它增加了网络的识别能力。下图也显示了这一现象。

神经元激活值的分布直方图也反映了这一现象，我们可以看出，神经元对于不同的identify和attirbute都会有相应的反应，每个神经元都有一定的记忆性，包含大量的样本属性信息。

robustness

作者对测试样本采用了两种不同的处理方法——从下往上按一定比例遮挡，随机block遮挡。
但是这里有一点需要注意的是，训练样本中并未含有经遮挡处理后的图像，而在后面的人脸验证中却对遮挡具有很好的鲁棒性，这也说明了DeepID2+有多神奇。

对于不同的遮挡情况，神经元的激活值有会有相应的变化，当遮挡面积越来越多的时候，神经元的激活状态就开始具有一定的随机性。回想一下前面介绍的神经元激活值分布直方图，其实随着遮挡面积的增加，它就趋向于将输入识别为其它类别时的激活情况一致，因此这些神经元就失去了特殊性。
实验中作者还将25个FC-4+ features合并（DeepID2+ combine），同时还分别测试single FC-1，FC-2，FC-3，FC-4以及传统特征提取方法LBP，验证它们对于遮挡情况的鲁棒性。发现FC-1，FC-2，FC-3，FC-4鲁棒性基本上是从小到大排列的，DeepID2+ combine最高，而传统的LBP是最差的。在遮挡面积达到40％的时候，DeepID2+还能保持在90％以上。occlusion block大小为50×50的时候，DeepID2+最高还能达到92.4％，而LBP急剧下降。


25个FC-4组成的DeepID2+ combine features具有非常好的鲁棒性，同时二值化后的DeepID2+ combine features仍然能基本上完全保留原来的信息，可分性依然非常高，相比DeepID2，DeepID2+ combine features的维度更大一些。

参考文献

[1] Sun Y, Wang X, Tang X. Deeply learned face representations are sparse, selective, and robust[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2015: 2892-2900.
[2] Sun Y, Chen Y, Wang X, et al. Deep learning face representation by joint identification-verification[C]//Advances in Neural Information Processing Systems. 2014: 1988-1996.