Computer vision Facenet：使用人脸嵌入集的集合_Computer Vision_Deep Learning_Conv Neural Network_Ensemble Learning_Mixture Model

Computer vision Facenet：使用人脸嵌入集的集合

computer-vision deep-learning

Computer vision Facenet：使用人脸嵌入集的集合,computer-vision,deep-learning,conv-neural-network,ensemble-learning,mixture-model,Computer Vision,Deep Learning,Conv Neural Network,Ensemble Learning,Mixture Model,Facenet是一种用于人脸识别的深度学习模型。它被训练用于提取特征，即用一个称为嵌入的固定长度向量来表示图像。训练后，对于每个给定的图像，我们将最后一层的输出作为其特征向量。然后，我们可以根据特征和一些距离函数（如欧几里德距离）进行验证（以判断两幅图像是否属于同一个人）三重态损失是一个损失函数，基本上说，同一个人的特征向量之间的距离应该很小，不同的人之间的距离应该很大我的问题是，有没有办法从不同的卷积模型中混合不同的嵌入集？例如，训练3个不同的模型（一个Resnet模型、一个Incepti

Facenet是一种用于人脸识别的深度学习模型。它被训练用于提取特征，即用一个称为嵌入的固定长度向量来表示图像。训练后，对于每个给定的图像，我们将最后一层的输出作为其特征向量。然后，我们可以根据特征和一些距离函数（如欧几里德距离）进行验证（以判断两幅图像是否属于同一个人）

三重态损失是一个损失函数，基本上说，同一个人的特征向量之间的距离应该很小，不同的人之间的距离应该很大

我的问题是，有没有办法从不同的卷积模型中混合不同的嵌入集？例如，训练3个不同的模型（一个Resnet模型、一个Inception和一个VGG）和三重态丢失，然后混合3个128维嵌入来构建一个新的元嵌入，以获得更好的人脸验证精度。如何混合这些嵌入集？

有一个相同的问题和有用的答案

我认为有不同的方法可以做到这一点，例如1）连接两个嵌入并应用PCA，然后2）对每个嵌入进行规格化将它们嵌入并连接在一起，以便每个模型对最终结果做出同等贡献3）规范化对（0,1）的每个嵌入都是由高斯CDF进行的，并将它们连接起来这样，每个特征对结果的贡献是相等的