·622. 智能系统学报 第12卷 表8是在Youtube face数据集上本文得出的测 试结果和其他算法结果的对比，测试协议按照3.1 4 结束语 节对Youtube face数据库的描述进行。 深度卷积神经网络的发展得益于大数据，因为 表8 Youtube face上的人脸验证结果 数据量够大，计算机够强大，机器本身才能学习出 Table 8 Face verification results on Youtube face 各种复杂的特征。而数据的准确性，也就是数据标 方法 是否训练 训练 网络 签、标注信息、类别等的准确性，也会对训练的模型 准确率/% 名称 清理人数 数量/万 个数 结果造成一定的影响，因此本文对数据库清理方面 CNN-3DMM (0] 否10575 49 1 88.80 做了研究。本文提出将数据库进行多角度清理后 DeeplD2+ 是 10177 45 25 93.20 再训练的方法，通过与未清理和其他方法的比较发 Deepface 是 4030 400 3 91.40 现，清理后的数据库在训练上结果更精确。实验证 Caffeface 是17189 70 1 94.90 明，清理后的数据集能够提高网络识别率。 模型A 否10575 49 1 90.80 目前，大多数公开的数据集仍含有很多噪声， 模型B 是8501 36 1 92.50 模型C 是9240 40 93.54 大规模数据去除噪声仍是一个值得重视的问题。 1 本文数据清理方法是否对所有数据库具有普适性， 图8显示了不同方法的R0C曲线，我们还可以 是否已经存在更高效更准确的数据清理方法需要 从表8和图8的测试结果中得出以下结论：模型C 进一步探究。下一步的工作可以考虑将多个清理 在3个模型中已经达到了最高的准确度，远远超过 其他两个模型的ROC曲线，在非限制条件下的视频 后的数据集进行合并来扩大数据量。 场景中，数据清理仍然会提高人脸识别精度。在目 参考文献： 前的主流人脸识别算法中，模型C也显示出显著的 成果，比3DMM算法、DeepID2+算法、Deepface算 [1]SUN Y,WANG X,TANG X.Deep learning face representation by joint identification-verification[J]. 法，以及Caffeface算法训练的效果好。图像清理后， Advances in neural information processing systems,2014, 对数据集进行训练，干扰因子较小，对于基于深卷 27:1988-1996. 积神经网络的人脸识别非常有用。 [2]SUN Y,WANG X.TANG X.Deep learning face 1.0 模型B representation from predicting 10,000 classes[C]//IEEE 模型C Conference on Computer Vision and Pattern Recognition Boston,USA,2014:1891-1898. 0.9 Deepface 3DMM CNN [3]王晓刚，孙袆，汤晓鸥.从统一子空间分析到联合深度学 习：人脸识别的十年历程[J].中国计算机学会通讯， 2015,11(4):8-15. 模型A WANG Xiaogang,SUN Hui,TANG Xiaoou.From unified subspace analysis to joint depth learning:ten years of face recognition[].China computer society newsletter,2015, 0.1 0.2 0.3 假正率 11(4):8-15 (a)假正率0-0.3的R0C曲线 [4]PARKHI O M,VEDALDI A,ZISSERMAN A.Deep face 0.95 recognition[C]//British Machine Vision.London,Britain, 0.94 2015:411-4112. 0.93 Deepface [5]SCHROFF F,KALENICHENKO D,PHILBIN J.FaceNet: 0.92 模型C 0.91 A unified embedding for face recognition and clustering 0.90 [C]//IEEE Conference on Computer Vision and Pattern 0.89 3DMM CNN Recognition.Boston,USA,2015:815-823. 0.88 模型A [6]DING C.TAO D.A comprehensive survey on pose-invariant 0.87 模型B 0.86 face recognition[].Acm transactions on intelligent systems 0.85 and technology,2015,7(3):37. 00.010.020.030.040.050.060.070.080.090.10 [7]SUN Y,LIANG D,WANG X,et al.DeepID3:face 假正率 recognition with very deep neural networks[C]//IEEE (b)假正率0-0.1的R0C曲线 Conference on Computer Vision and Pattern Recognition. 图8 Youtube face上不同方法的ROC曲线 Boston,USA,2015:963-971. Fig.8 ROC curves of different methods on Youtube face [8]SUN Y,WANG X,TANG X.Hybrid deep learning for face表 ８ 是在 Ｙｏｕｔｕｂｅ ｆａｃｅ 数据集上本文得出的测 试结果和其他算法结果的对比，测试协议按照 ３．１ 节对 Ｙｏｕｔｕｂｅ ｆａｃｅ 数据库的描述进行。 表 ８ Ｙｏｕｔｕｂｅ ｆａｃｅ 上的人脸验证结果 Ｔａｂｌｅ ８ Ｆａｃｅ ｖｅｒｉｆｉｃａｔｉｏｎ ｒｅｓｕｌｔｓ ｏｎ Ｙｏｕｔｕｂｅ ｆａｃｅ 方法 名称 是否 清理 训练 人数 训练 数量／ 万 网络 个数 准确率／ ％ ＣＮＮ⁃３ＤＭＭ ［３０］ 否 １０ ５７５ ４９ １ ８８．８０ ＤｅｅｐＩＤ２＋ 是 １０ １７７ ４５ ２５ ９３．２０ Ｄｅｅｐｆａｃｅ 是 ４ ０３０ ４００ ３ ９１．４０ Ｃａｆｆｅｆａｃｅ 是 １７ １８９ ７０ １ ９４．９０ 模型 Ａ 否 １０ ５７５ ４９ １ ９０．８０ 模型 Ｂ 是 ８ ５０１ ３６ １ ９２．５０ 模型 Ｃ 是 ９ ２４０ ４０ １ ９３．５４ 图 ８ 显示了不同方法的 ＲＯＣ 曲线，我们还可以 从表 ８ 和图 ８ 的测试结果中得出以下结论：模型 Ｃ 在 ３ 个模型中已经达到了最高的准确度，远远超过 其他两个模型的 ＲＯＣ 曲线，在非限制条件下的视频 场景中，数据清理仍然会提高人脸识别精度。 在目 前的主流人脸识别算法中，模型 Ｃ 也显示出显著的 成果，比 ３ＤＭＭ 算法、ＤｅｅｐＩＤ２ ＋算法、Ｄｅｅｐｆａｃｅ 算 法，以及 Ｃａｆｆｅｆａｃｅ 算法训练的效果好。 图像清理后， 对数据集进行训练，干扰因子较小，对于基于深卷 积神经网络的人脸识别非常有用。 （ａ）假正率 ０～ ０．３ 的 ＲＯＣ 曲线 （ｂ）假正率 ０～ ０．１ 的 ＲＯＣ 曲线 图 ８ Ｙｏｕｔｕｂｅ ｆａｃｅ 上不同方法的 ＲＯＣ 曲线 Ｆｉｇ．８ ＲＯＣ ｃｕｒｖｅｓ ｏｆ ｄｉｆｆｅｒｅｎｔ ｍｅｔｈｏｄｓ ｏｎ Ｙｏｕｔｕｂｅ ｆａｃｅ ４ 结束语 深度卷积神经网络的发展得益于大数据，因为 数据量够大，计算机够强大，机器本身才能学习出 各种复杂的特征。 而数据的准确性，也就是数据标 签、标注信息、类别等的准确性，也会对训练的模型 结果造成一定的影响，因此本文对数据库清理方面 做了研究。 本文提出将数据库进行多角度清理后 再训练的方法，通过与未清理和其他方法的比较发 现，清理后的数据库在训练上结果更精确。 实验证 明，清理后的数据集能够提高网络识别率。 目前，大多数公开的数据集仍含有很多噪声， 大规模数据去除噪声仍是一个值得重视的问题。 本文数据清理方法是否对所有数据库具有普适性， 是否已经存在更高效更准确的数据清理方法需要 进一步探究。 下一步的工作可以考虑将多个清理 后的数据集进行合并来扩大数据量。 参考文献： ［ １ ］ ＳＵＮ Ｙ， ＷＡＮＧ Ｘ， ＴＡＮＧ Ｘ． Ｄｅｅｐ ｌｅａｒｎｉｎｇ ｆａｃｅ ｒｅｐｒｅｓｅｎｔａｔｉｏｎ ｂｙ ｊｏｉｎｔ ｉｄｅｎｔｉｆｉｃａｔｉｏｎ⁃ｖｅｒｉｆｉｃａｔｉｏｎ［Ｊ］． Ａｄｖａｎｃｅｓ ｉｎ ｎｅｕｒａｌ ｉｎｆｏｒｍａｔｉｏｎ ｐｒｏｃｅｓｓｉｎｇ ｓｙｓｔｅｍｓ， ２０１４， ２７： １９８８－１９９６． ［ ２ ］ ＳＵＮ Ｙ， ＷＡＮＧ Ｘ， ＴＡＮＧ Ｘ． Ｄｅｅｐ ｌｅａｒｎｉｎｇ ｆａｃｅ ｒｅｐｒｅｓｅｎｔａｔｉｏｎ ｆｒｏｍ ｐｒｅｄｉｃｔｉｎｇ １０，０００ ｃｌａｓｓｅｓ［Ｃ］ ／ ／ ＩＥＥＥ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｃｏｍｐｕｔｅｒ Ｖｉｓｉｏｎ ａｎｄ Ｐａｔｔｅｒｎ Ｒｅｃｏｇｎｉｔｉｏｎ． Ｂｏｓｔｏｎ， ＵＳＡ， ２０１４： １８９１－１８９８． ［３］王晓刚，孙袆，汤晓鸥． 从统一子空间分析到联合深度学 习： 人脸识别的十年历程［ Ｊ］． 中国计算机学会通讯， ２０１５， １１（４）： ８－１５ ． ＷＡＮＧ Ｘｉａｏｇａｎｇ， ＳＵＮ Ｈｕｉ， ＴＡＮＧ Ｘｉａｏｏｕ． Ｆｒｏｍ ｕｎｉｆｉｅｄ ｓｕｂｓｐａｃｅ ａｎａｌｙｓｉｓ ｔｏ ｊｏｉｎｔ ｄｅｐｔｈ ｌｅａｒｎｉｎｇ： ｔｅｎ ｙｅａｒｓ ｏｆ ｆａｃｅ ｒｅｃｏｇｎｉｔｉｏｎ［ Ｊ］． Ｃｈｉｎａ ｃｏｍｐｕｔｅｒ ｓｏｃｉｅｔｙ ｎｅｗｓｌｅｔｔｅｒ， ２０１５， １１（４）： ８－１５． ［４］ＰＡＲＫＨＩ Ｏ Ｍ， ＶＥＤＡＬＤＩ Ａ， ＺＩＳＳＥＲＭＡＮ Ａ． Ｄｅｅｐ ｆａｃｅ ｒｅｃｏｇｎｉｔｉｏｎ［Ｃ］ ／ ／ Ｂｒｉｔｉｓｈ Ｍａｃｈｉｎｅ Ｖｉｓｉｏｎ． Ｌｏｎｄｏｎ， Ｂｒｉｔａｉｎ， ２０１５： ４１１－４１１２． ［５］ＳＣＨＲＯＦＦ Ｆ， ＫＡＬＥＮＩＣＨＥＮＫＯ Ｄ， ＰＨＩＬＢＩＮ Ｊ． ＦａｃｅＮｅｔ： Ａ ｕｎｉｆｉｅｄ ｅｍｂｅｄｄｉｎｇ ｆｏｒ ｆａｃｅ ｒｅｃｏｇｎｉｔｉｏｎ ａｎｄ ｃｌｕｓｔｅｒｉｎｇ ［Ｃ］ ／ ／ ＩＥＥＥ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｃｏｍｐｕｔｅｒ Ｖｉｓｉｏｎ ａｎｄ Ｐａｔｔｅｒｎ Ｒｅｃｏｇｎｉｔｉｏｎ． Ｂｏｓｔｏｎ， ＵＳＡ， ２０１５： ８１５－８２３． ［６］ＤＩＮＧ Ｃ， ＴＡＯ Ｄ． Ａ ｃｏｍｐｒｅｈｅｎｓｉｖｅ ｓｕｒｖｅｙ ｏｎ ｐｏｓｅ⁃ｉｎｖａｒｉａｎｔ ｆａｃｅ ｒｅｃｏｇｎｉｔｉｏｎ［Ｊ］． Ａｃｍ ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ ｉｎｔｅｌｌｉｇｅｎｔ ｓｙｓｔｅｍｓ ａｎｄ ｔｅｃｈｎｏｌｏｇｙ， ２０１５， ７（３）： ３７． ［７ ］ ＳＵＮ Ｙ， ＬＩＡＮＧ Ｄ， ＷＡＮＧ Ｘ， ｅｔ ａｌ． ＤｅｅｐＩＤ３： ｆａｃｅ ｒｅｃｏｇｎｉｔｉｏｎ ｗｉｔｈ ｖｅｒｙ ｄｅｅｐ ｎｅｕｒａｌ ｎｅｔｗｏｒｋｓ［Ｃ］ ／ ／ ＩＥＥＥ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｃｏｍｐｕｔｅｒ Ｖｉｓｉｏｎ ａｎｄ Ｐａｔｔｅｒｎ Ｒｅｃｏｇｎｉｔｉｏｎ． Ｂｏｓｔｏｎ， ＵＳＡ， ２０１５： ９６３－９７１． ［８］ＳＵＮ Ｙ， ＷＡＮＧ Ｘ， ＴＡＮＧ Ｘ． Ｈｙｂｒｉｄ ｄｅｅｐ ｌｅａｒｎｉｎｇ ｆｏｒ ｆａｃｅ ·６２２· 智 能 系 统 学 报 第 １２ 卷