FaceNet

FaceNet — це система розпізнавання облич, розроблена Флоріаном Шроффом, Дмитром Каленіченком і Джеймсом Філбіною, групою дослідників із Google. Вперше система була представлена широкому загалу під час конференції IEEE з комп'ютерного бачення та розпізнавання образів в 2015 році. Система використовує глибоку згортову нейронну мережу для навчання відображенню (або вкладенню) із набору зображень облич у 128-вимірний евклідів простір, а подібність між двома зображеннями обличчя оцінюється на основі квадрата евклідової відстані між відповідними нормалізованими векторами у 128-вимірному евклідовому просторі. Функцією витрат використовується ^[en]. Також, вперше було запроваджено новий онлайн-метод триплетного майнінгу. Система досягла точності 99,63 % на наборі даних Labeled Faces in the Wild, для якого це є найвищим показником.

Структура

Базова структура

Структура системи розпізнавання FaceNet схематично представлена на рисунку 1.

Рисунок 1: Загальна структура системи розпізнавання обличчя FaceNet

Для навчання дослідники використовували вхідними даними приблизно 1800 зображень, у яких для кожної особистості було близько 40 схожих зображень і кілька випадкових зображень, пов'язаних з іншими особами. Дані пакетами подавалися до глибокої згорткової нейронної мережі, яка навчалася за допомогою методу стохастичного градієнтного спуску зі стандартним зворотним поширенням і алгоритмом Adaptive Gradient Optimizer (AdaGrad). Швидкість навчання спочатку була встановлена на рівні 0,05, яку було зменшено на фінальному етапі тренування моделі.

Структура ЗНН

Дослідники використовували два типи архітектур, які вони назвали NN1 і NN2, і досліджували їхні переваги та недоліки. Практичні відмінності між моделями полягають у використанні різних параметрів і, відповідно, різними FLOPS. Подробиці моделі NN1 представлені в таблиці нижче.

Структура ЗНН, яка використовувалася у моделі NN1 в системі розпізнавання осіб FaceNet

Шар	Розмір входу (rows × cols × #filters)	Розмір виходу (rows × cols × #filters)	Ядро (rows × cols, stride)	Параметрів	FLOPS
conv1	220×220×3	110×110×64	7×7×3, 2	9K	115M
pool1	110×110×64	55×55×64	3×3×64, 2	0	—
rnorm1	55×55×64	55×55×64		0
conv2a	55×55×64	55×55×64	1×1×64, 1	4K	13M
conv2	55×55×64	55×55×192	3×3×64, 1	111K	335M
rnorm2	55×55×192	55×55×192		0
pool2	55×55×192	28×28×192	3×3×192, 2	0
conv3a	28×28×192	28×28×192	1×1×192, 1	37K	29M
conv3	28×28×192	28×28×384	3×3×192, 1	664K	521M
pool3	28×28×384	14×14×384	3×3×384, 2	0
conv4a	14×14×384	14×14×384	1×1×384, 1	148K	29M
conv4	14×14×384	14×14×256	3×3×384, 1	885K	173M
conv5a	14×14×256	14×14×256	1×1×256, 1	66K	13M
conv5	14×14×256	14×14×256	3×3×256, 1	590K	116M
conv6a	14×14×256	14×14×256	1×1×256, 1	66K	13M
conv6	14×14×256	14×14×256	3×3×256, 1	590K	116M
pool4	14×14×256	3×3×256, 2	7×7×256	0
concat	7×7×256	7×7×256		0
fc1	7×7×256	1×32×128	maxout p=2	103M	103M
fc2	1×32×128	1×32×128	maxout p=2	34M	34M
fc7128	1×32×128	1×1×128		524K	0.5M
L2	1×1×128	1×1×128		0
Загалом				140M	1.6B

Триплетна функція витрат

Триплетна функція витрат мінімізує відстань між якорем і підтвердженим елементом, обидва з яких мають однакову ідентичність, і максимізує відстань між якорем і елементом, який належить іншій ідентичності.

Функція витрат, яка використовувалася в системі FaceNet, отримала назву «Триплетна функція витрат». Це була нова ідея, запропонована розробниками системи FaceNet. Зазначена функція визначається за допомогою триплетів навчальних зображень ${\displaystyle (A,P,N)}$. У цій трійці, ${\displaystyle A}$ (англ. anchor, «якірне зображення») позначає базове зображення людини, ${\displaystyle P}$ (англ. positive, «позитивне зображення») позначає якесь інше зображення тієї ж самої людини, чиє зображення відповідає ${\displaystyle A}$, і ${\displaystyle N}$ (англ. negative, «негативне зображення») позначає зображення іншої людини, відмінної від людини, яка зображена на ${\displaystyle A}$ . Нехай ${\displaystyle x}$ бути якимось зображенням, а ${\displaystyle f(x)}$ буде вкладенням зображення ${\displaystyle x}$ в 128-вимірний евклідів простір. Вважємо, що ${\displaystyle L_{2}}$-норма ${\displaystyle f(x)}$ дорівнює 1. (${\displaystyle L_{2}}$-норма вектора ${\displaystyle X}$ у скінченновимірному евклідовому просторі позначається як ${\displaystyle \Vert X\Vert }$.) Ми вибираємо з набору навчальних даних триплети ${\displaystyle (A^{(i)},P^{(i)},N^{(i)})}$. Тренування полягає в тому, щоб після навчання на всіх триплетах ${\displaystyle (A^{(i)},P^{(i)},N^{(i)})}$ у наборі навчальних даних виконувалася наступна умова, яка називається «обмеженням триплета»:

${\displaystyle \Vert f(A^{(i)})-f(P^{(i)})\Vert _{2}^{2}+\alpha <\Vert f(A^{(i)})-f(N^{(i)})\Vert _{2}^{2}}$

де ${\displaystyle \alpha }$ є сталою, яка називається запасом (англ. margin), і її значення потрібно встановлювати вручну. Його значення було встановлено як 0,2.

Таким чином, функція, яку потрібно мінімізувати, це така функція, яка називається функцією триплетних витрат:

${\displaystyle L=\sum _{i=1}^{N}\max {\Big (}\Vert f(A^{(i)})-f(P^{(i)})\Vert _{2}^{2}-\Vert f(A^{(i)})-f(N^{(i)})\Vert _{2}^{2}+\alpha ,0{\Big )}}$

Вибір триплетів

Загалом кількість триплетів виду ${\displaystyle (A^{(i)},P^{(i)},N^{(i)})}$ буде занадто великою, щоб перебрати усі можливі комбінації. Для прискорення обчислень, дослідники Google розглядали лише ті триплети, які порушують обмеження триплетів, яке визначається наступним чином. Для якірного зображення ${\displaystyle A^{(i)}}$ вибирається позитивне зображення ${\displaystyle P^{(i)}}$ для котрого відстань ${\displaystyle \Vert f(A^{(i)})-f(P^{(i)})\Vert _{2}^{2}}$ є максимальною (таке позитивне зображення називається «жорстким позитивним зображенням»), а негативне зображення ${\displaystyle N^{(i)}}$ для котрого відстань ${\displaystyle \Vert f(A^{(i)})-f(N^{(i)})\Vert _{2}^{2}}$ є мінімальною (називається «жорстким негативним зображенням»). Оскільки використання всього набору навчальних даних для визначення жорстких позитивних і жорстких негативних зображень було обчислювально дорогим і нездійсненним, дослідники експериментували з кількома методами для вибору триплетів.

• Триплети генеруються в режимі офлайн, коли обчислюється мінімум і максимум для підмножини даних.
• Триплети генеруються онлайн, коли вибираються жорсткі позитивні/негативні приклади з міні-батчу.

Продуктивність

На широко використовуваному наборі даних Labeled Faces in the Wild (LFW) система FaceNet досягла точності 99,63 %, що є найвищим результатом на цьому наборі даних. На YouTube Faces DB система досягла точності 95,12 %.

Див. також

• ^[en]
• ^[en]

Подальше читання

• Rajesh Gopakumar; Karunagar A; Kotegar, M.; Vishal Anand (September 2023). "A Quantitative Study on the FaceNet System": in Proceedings of ICACCP 2023. Singapore: Springer Nature. с. 211—222. ISBN .
• Ivan William; De Rosal Ignatius Moses Setiadi; Eko Hari Rachmawanto; Heru Agus Santoso; Christy Atika Sari (2019). "Face Recognition using FaceNet (Survey, Performance Test, and Comparison)" in Proceedings of Fourth International Conference on Informatics and Computing. IEEE Xplore. Процитовано 6 жовтня 2023.
• For a discussion on the vulnerabilities of Facenet-based face recognition algorithms in applications to the Deepfake videos: Pavel Korshunov; Sébastien Marcel (2022). "The Threat of Deepfakes to Computer and Human Visions" in: Handbook of Digital Face Manipulation and Detection From DeepFakes to Morphing Attacks (PDF). Springer. с. 97—114. ISBN . Процитовано 5 жовтня 2023.
• For a discussion on applying FaceNet for veifying faces in Android: Vasco Correia Veloso (January 2022). Hands-On Artificial Intelligence for Android. BPB Publications. ISBN .

Примітки

1. Florian Schroff; Dmitry Kalenichenko; James Philbin. FaceNet: A Unified Embedding for Face Recognition and Clustering (PDF). The Computer Vision Foundation. Процитовано 4 жовтня 2023.
2. Erik Learned-Miller; Gary Huang; Aruni RoyChowdhury; Haoxiang Li; Gang Hua (April 2016). Labeled Faces in the Wild: A Survey. Advances in Face Detection and Facial Image Analysis (PDF). Springer. с. 189—248. Процитовано 5 жовтня 2023.