深度学习在人脸识别领域的研究
情况
姓 名： 88 学 号： 88
88
2021年6月
1． 深度学习的历史。
最早的神经网络是1943年提出的MCP人工神经元模型，其在1958年被应用于感知器算法中，用于机器学习分类任务。然而，尽管这样的方法被证明是可收敛的，却因为被结构简单（线性模型），分类认为受限（二分类，复杂的任务无法正确分类）而使得神经网络的研究处于一次长达17年的低潮期。
在1986年，Hinton发明了BP算法，其由信号的正向传播和误差的反向传播两个过程组成，应用于多层感知器（MLP），并且采用Sigmoid进行非线性映射解决了之前非线性分类学习问题。所谓的BP算法，也就是在正向传播时将输入样本输入网络，经过隐层传递到输出层，输出值与期望值不同则进行误差的反向传播，而反向传播就是按原通路通过隐层传至输入层，将误差分摊各个神经单元，获得各层神经元的误差信号响应，修正各个神经单元的权重占比。最终，人们将得到一个较为适合的权重模型，其实际输出与期望输出的误差达到最低限度，可以被用于实际任务当中。
然而说到真正意义上的卷积神经网络，LeNet可以说算的上是现代使用深度学习的基石，其结构于1989年被LeCun提出，其在数字识别的效果也非常好。例如，现在很多AI入门人员都必须要经历的LeNet-5模型实现MNIST数据识别任务。可是这样的方法却并没有引起很大的关注，我想可能是因为科技发展和理论实践不相适应造成的，更何况神经网络缺少相应的严格数学理论支持（到现在这个问题还是存在），使得刚刚升起的胜利白帆又再一次降下。
尽管深度学习的研究再一次的处于低谷期，但并不意味着深度学习停滞不前。1997年，著名的长短期记忆网络（LSTM）被提出，其解决了一般循环神经网络（RNN）存在长期依赖问题，即相较于RNN解决了长序列训练过程中存在梯度消失和梯度爆炸问题。作为一个非线性模型，LSTM可用于构建大型DNN，在实际任务中，LSTM可被用于语音识别等方面。现如今我们可以利用多种深度框架对其进行复现，也算得上是对那时研究出该架构的人员的一种安慰。
值得一提的是在深度学习火热之前，统计学习方法占据上风，从1986
年的决策树方法到2001年的随机森林，从1995年的线性SVM（支持向量机）到2000年的非线性的KernelSVM，以及一些著名的HMM，朴素贝叶斯等方法，它们也推进人类对于人工智能领域的实现，并且也可以和深度学习相辅相成。到现在，我们依旧可以使用DNN与类似SVM和CRF搭配进行分类任务，统计学习方法中一些指标也通常被作为设计网络合理性的评判标准。
2006年，Hinton又提出了解决DNN训练当中梯度消失解决方法，现在的研究者也依旧基本遵循这样的方法，即无监督预训练初始化权值和有监督参数微调。值得一提的是为了更好的调参用于快速精准训练，预训练模型以及优化器SGD和ADAM被广泛应用，也算的上是对这个方法提出的最好证明。
从2012年AlexNet参加ImageNet图像分类比赛碾压第二名SVM方法事件开始，深度学习才又渐渐被关注起来。与此同时，为了更好的实现深度学习机制，一些著名的深度学习框架也被提出，例如Caffe，TensorFlow，Pytorch，Keras，MXNet等，它们也随着计算机编程语言的发展被一一实现，现如今Python语言对其都有支持，我想这也是Python近几年火热的原因之一。再加上显卡近几年的快速发展，其在支持并行处理高效计算的能力得到提升，不仅扩大了游戏行业和影视行业的影响力，同时也使得深度学习的研究也得到了越来越多的企业关注（高效训练，大规模集群）。
除此之外，ResNet和DenseNet的提出，又再一次给搭建更深层次网络奠定基础。也因此越来越多的网络结构和理论研究基于前者被设计和实现，越来越多的应用和产品也被落地使用。
2． 人脸识别流程。
2.1 人脸检测于定位。
人脸检测是使用检测器对图像滑动窗口中的分类和定位，确定滑窗内是不是人脸，以及检测框的具体位置。
2.2 特征提取。
特征提取是即提取特征向量，蕴含着几何特征或者表征特征。几何特征：如眼、鼻等几何关系，特点是直观，量小。表征特征：算法提取的局部或者全局特征。
2.3 识别和认证。
深度学习在人脸识别领域的研究情况 报告
