2025 年的人臉識別：連體網路或二元分類？

從安全系統到社交媒體，人臉辨識在各種應用中都扮演著重要的角色。雖然三重損失（triplet loss）是一種廣泛應用於訓練卷繞神經網路（CNN）的方法，但另一種策略則是將此任務設定為二元分類問題。這種方法利用連體網路，提供了一種獨特的方式來學習有效的人臉驗證所需的參數。接下來，我們將探討如何利用一對神經網路來產生嵌入。

重點

連體網路對於人臉驗證非常有效。

人臉識別可以建模為二元分類任務。

學習相似性函數包含 logistic 回歸。

預先計算嵌入可提高部署效率。

流程包括資料收集、模型訓練、評估和部署。

臉部驗證和識別都可以使用二進位分類進行訓練，以取代三重損失。

瞭解人臉辨識與驗證

二元分類的人臉識別

人臉識別不只是識別一個人，還要驗證一個人所聲稱的身份。這就是所謂的人臉驗證。一種實用的方法將驗證視為二進制分類問題。與其在眾多臉孔中進行區分，系統不如直接回答一個問題："這兩張臉是否屬於同一個人？這種二進制框架簡化了問題，並提高了計算效率。此技術依賴於連體網路，由兩個具有共用權重和架構的相同神經網路組成。每個網路處理一張輸入影像，並比較其輸出，以得出相似度得分。如果分數超過定義的臨界值，則認為這兩張臉是匹配的；否則，它們會被分類為不同的臉。經訓練的網路對於匹配的身分會輸出 1，對於不匹配的身分則輸出 0。這與更複雜的系統形成對比，因為複雜的系統必須區分許多已知的個體。

連體網路架構

此方法以連體網路架構為中心。

此架構將兩個相同的神經網路配對，各自處理兩個輸入影像中的一個。這些網路會計算內嵌，也就是編碼獨特臉部特徵的高維向量。透過比較這些內嵌，系統可以評估臉部相似度。嵌入過程通常包括卷積層、池化層和全連結層，每個層級都會從影像中萃取逐步複雜的特徵。最後的輸出是一個向量 - 通常是 128 維 - 它能捕捉基本的臉部特徵。更大的維度也可用於偵測更精細的細節。最重要的是，Siamese 設定中的兩個網路都共用相同的參數，確保嵌入是透過相同的特徵萃取過程產生，而且可以直接比較。

使用邏輯回歸學習相似度函數

使用邏輯回歸

為了判斷兩張臉是否代表同一個人，必須比較來自連體網路的內嵌。邏輯回歸單元會對這些內嵌應用sigmoid 函數，產生一個反映匹配可能性的概率分數。這個單元的輸入並不是原始的內嵌，而是從這些內嵌衍生出來的特徵。常見的方法是計算兩個嵌入式之間的元素絕對差異，強調差異最大的特徵。Chi-square 相似度是另一種常用的技術。目的是形成高度區別的特徵，讓邏輯迴歸單元能做出精確的預測。元素之間的差異會饋入邏輯迴歸模型，而邏輯迴歸模型會學習分配適當的權重。如果差異極小，該單元會指定高概率，表示是同一個人；如果差異很大，則會指定低概率，表示是不同的個人。

訓練連體網路和 Logistic 回歸

逐步訓練流程

1. 收集訓練資料：首先編譯一個人臉影像資料集，標籤顯示影像對描繪的是同一人還是不同的人。此資料集可訓練連體網路和邏輯迴歸單元。
2. 設定連體網路：設定兩個具有相同架構和共用權重的相同 CNN。這些網路將學習從輸入的臉部影像產生嵌入。
3. 計算特徵差異：確定每個影像對的兩個 CNN 所產生的內嵌之間的元素絕對差異。這些差異會成為邏輯回歸單元的輸入特徵。
4. 整合邏輯迴歸：運用邏輯迴歸模型將特徵差異轉換成概率分數，以顯示人臉是否匹配。
5. 微調：透過調整分配給特徵的權重 (例如 128 維嵌入中的權重)，精細化邏輯迴歸層。
6. Backpropagation 訓練：使用反向傳播訓練完整的系統 - 網路與邏輯回歸單元。這可最小化懲罰預測錯誤的損失函數，藉由最佳化網路權重和偏置，逐漸提高準確度。
7. 調整權重：最終的邏輯迴歸模型可以包含額外的參數，例如權重 (W) 和偏置 (B)。
8. 預先計算嵌入：為了加快部署速度，可以預先計算嵌入，以便進行快速比較。

人臉辨識連體網路的優缺點

優點

運算效率

直接處理人臉驗證

有效的特徵萃取

缺點

訓練資料需求

過度擬合的可能性

泛化程度有限

常見問題

什麼是連體網路，它們在人臉識別中如何運作？

連體網路是由兩個或兩個以上相同子網路組成的神經網路。每個子網路接收不同的輸入，但與其他子網路共享權重。在人臉識別中，這些網路會處理成對的人臉影像以產生嵌入，然後評估其相似性。

為什麼有時人臉識別被視為二元分類問題？

將人臉辨識視為二元分類問題，可將其簡化為判斷兩張人臉是否匹配，相較於區分許多個人，可提高效率。此方法使用連體網路來比較成對的人臉影像。

在學習人臉識別的相似性函數時，邏輯回歸的作用是什麼？

Logistic 回歸將連體網路嵌入之間的差異映射為概率分數。此分數可估算出兩張臉是同一人的可能性，以支援二元判斷。

相關問題

此連體網路方法與傳統方法（如 triplet loss）比較如何？

傳統的方法（如三連丟失）旨在學習一個嵌入空間，在這個空間中，同一個人的面孔會比較接近，而不同人的面孔會比較遠。二元分類結構的暹羅網路則專注於驗證兩張臉是否相同，提供了計算上的優勢。最佳選擇取決於特定的應用程式和資料集特性。

是否有其他方法可以評估嵌入的相似性？

有，其他方法包括余弦相似度、歐氏距離和卡方相似度。卡方相似度公式提供了另一種方法來進行人臉識別。每種技術都有其優點，適用於不同的資料類型和使用個案。例如，余弦相似性在高維數據中表現良好，而歐氏距離在低維數據中則很有效。

實際部署受過訓練的系統需要做什麼？

部署需要預先計算嵌入，以避免儲存原始影像。本系統以連體網路架構為基礎，旨在有效比較這些內嵌值。