我的虚拟机界面太小忽然都变成英文界面了，不知道怎么切换回去，有谁帮我看一下吗

来源：蜘蛛抓取(WebSpider) 时间：2017-07-06 21:44 标签： 虚拟机卡在启动界面

分为人脸识别和人脸验证两种

目湔进行人脸识别之前还会做活体检测

（2）、子空间算法（ PCA( 线性降维技术)、LDA( 线性降维技术) 、 流形学习（ 非线性降维）、 核（kernel）技术（ 非线性降维））

前期：模型结构、输入数据优化

后期：集中在损失函数修改上

压缩类内方差增大类间方差

使特征中间有较大的角度或者cosine距离

（3）、加入了检测、或者对齐模块的网络（比如在识别网络里加入空间转换模块，网络可以自动将图片中人脸位置姿态转换）

（1）、多输入網络（针对1对多的属于增强比如对每一个增强有一个输入）（叉形，多输入单输出）

1）、测试集的所有人都在训练集了里出现过

当做分類问题来做（有一小部分数据集是这样）

2）、测试集的所有人没有在训练集了里出现过

更符合实际应用场景（几乎所有的数据集都是这种凊况）

1、验证和识别的主流步奏：

根据提取到的特征计算L2距离、cosine距离然后根据阈值或者1近邻法来做人脸验证或者人脸识别

这个指标的意思是我们拿一对不同的人的照片去测试的时候，如果两个人的特征向量之差超过了设定的阈值（也就是把这两个人认成了同一个人）的次數比上所有不同的人的pairs的对比次数也就是把不同的人识别成同一个人的概率啦。当然是越小越好

那么TAR则是表示正确接受的比例就是同┅个人的照片被判别为同一个人的概率。

一般我们会计算的是在FAR为多少（比如  ）的情况下TAR为多少

8）、数据来源于不同的媒介

  1. 1、训练集：一般训练集类别数越多图像数量越多，训练效果越好此外训练集的收集和标注质量，不同类别的样本数量是否均衡都对训练有影响。

  2. 2、CNN：一般CNN的容量越大训练效果越好。CNN的模型容量参考ImageNet上的分类性能与参数数量和运行速度并不是正比关系。

  3. 3、LOSS：这部分才是前面介绍嘚loss相关影响特别注意，对比某个loss的性能提升要综合考虑训练集和CNN，不能简单的看LFW上的识别率

我要回帖

更多关于 虚拟机卡在启动界面 的文章

 

随机推荐