The Fourth Day—深度学习之人脸研究
更新：2018-07-27浏览：346
深度学习的飞速发展使其在人脸领域的研究日趋丰富，第四天，围绕人脸研究，大家有了一系列新的学习和收获。
上午，首先是浙江大华的算法工程师张喜带来的对生成对抗网络（Generative Adversarial Networks，GAN）及人脸合成的介绍。GAN作为一种生成模型，有其明显的优势，各类损失函数都可以整合到GAN模型中，同时在概率密度不可计算时，GAN仍可应用，是目前较新的技术，基于不同的研究重点也有诸多变体，比如DCGANs，InfoGAN，CycleGANs，TP-GAN等。张喜工程师就GAN在人脸合成方面的应用做了细致的讲解，多角度和多表情的人脸识别也是一个有趣且有挑战性的方向。
接下来，计算机视觉所的解为成助理教授为我们带来深度学习与人脸表情识别分析，人脸表情是一种能够表达人类认知、情绪和状态的手段，是个体特征的一种复杂表达集合，通过对它的研究可获得众多个体行为信息。目前的研究热点集中在预处理，数据增强，网络或特征约束，深度度量函数，网络结构，三维表情和时序数据等方面，解教授深入分析了其中三个研究热点及其实现方式和作用：1. 数据增强，通过Scaling，Rotation，Colors和Noises等多种手段实现Data Augmentation；2. 传统特征引导，基于手工构建特征的引导实现搜索空间缩小，尽快趋于最佳特征；3. 度量函数，通过对损失函数的不同改进实现类内距离减小，类间距离增大。研究热点众多，研究挑战自然也不少，存在人脸姿态多样，光照不一，精度较低，遮挡干扰，泛化能力不足，复合表情难识别，三维表情数据少等一系列问题，难点虽多，自然要迎着这些挑战而上。
下午，仍是来自视觉所的文嘉俊助理教授指导上机实践，这一次是搭建基于深度学习的人脸识别系统。人脸识别研究至今已有数十年的历史，是计算机视觉领域最重要的研究方向之一，也是深度学习最为典型的应用案例。经过前几天知识的学习铺垫以及关于OpenCV，深度神经网络，人脸关键点检测和手写字识别系统的上机实践，大家都能灵活运用所学内容，在循序渐进中实现人脸识别。
天黑了大家学习热情不减，还有很多同学在实验室奋斗，附图：黑夜中亮灯的327~
