认识达内从这里开始

认真做教育专心促就业

基于深度学习的人脸识别技术都有哪些发展阶段

发布：太原达内教育官网
来源：互联网
时间：2019-04-30 07:51

随着互联网的不断发展，人脸识别技术得到了广泛的应用，而今天我们就一起来了解一下，基于深度学习的人脸识别技术都有哪些发展阶段。

基于深度学习的人脸识别技术都有哪些发展阶段

自从进入深度学习的时代以来，各家的人脸识别算法就逐渐趋于一致，基本上没有什么特别的亮点，不像传统机器学习时代呈现出百花齐放的色彩。普遍的思路就是利用CNN网络建立的高维模型，直接从输入的人脸图像上提取有效的鉴别特征，直接计算余弦距离来进行人脸识别，算法结构趋同。不过，从大体上来说，基于深度学习的人脸识别发展仍然可以分为三个阶段。

阶段一：为深度学习在人脸识别研究中应用的早期阶段，从开始的VGG网络到Inception网络再到Resnet网络，网络模型总体上呈现出更深，更宽的趋势。在一些学术上的公开数据集如LFW、MegaFace上面，只要进行针对性的结构设计以及参数调整，适当扩大数据集合或者进行数据增强，都能取得差不多很好的效果。但是从实际应用的角度来说，普遍泛化性能不好，不具有实际应用的价值。

阶段二：发展就是以旷视、商汤为代表的在学术公开竞赛中取得好成绩的这些厂商，开始发展实际业务为起点，通过不断扩大他们的实际数据集合，算法性能也在逐渐的提升。到2016年左右，基于深度学习的算法无论在学术测试集合上还是在实际应用上，表现都远远超越了基于传统机器学习的算法。人脸识别算法到此完成了深度学习算法的大一统。

阶段三：除了进一步增加数据量以提升算法性能以外，与一阶段相反，大家开始在不降低识别性能的基础上，研究网络的轻量化。轻量化的主要目的有两个，一个是提升算法的速度，甚至能够部署到移动端;另外一个就是便于硬件实现，从而将人脸识别算法直接做成一个硬件模块。

同时，与传统机器学习算法类似，各家也开始研究视频中的人脸识别(监控场景)，同时开始结合一些三维信息去进一步提升识别性能。

未来，人脸识别的发展应当仍然分成上述两个方向，一个方向从有效挖掘海量人脸数据的角度出发，进一步提升模型性能;另外一个方向则是将人脸识别模型轻量化以便实现移动端部署或者做成一个芯片模组。

【免责声明】：本内容转载于网络，转载目的在于传递信息。文章内容为作者个人意见，本平台对文中陈述、观点保持中立，不对所包含内容的准确性、可靠性与完整性提供形式地保证。请读者仅作参考。

< 上一篇：用户运营都是在做哪些工作

下一篇：云技术面向基础架构容器的实现方法 >