摘要
本文设计了一种高性能的深度卷积网络（DeepID2+）用于人脸识别。该网络通过身份识别-验证监督信号进行学习。通过增加隐藏表示的维度并在早期卷积层中加入监督，DeepID2+在LFW和YouTube Faces基准测试中达到了新的最先进水平。通过实证研究，我们发现了其深层神经激活对高性能至关重要的三个特性：稀疏性、选择性和鲁棒性。(1) 观察到神经激活具有适度的稀疏性。适度的稀疏性不仅最大化了深度网络的判别能力，还增加了图像之间的距离。令人惊讶的是，即使将神经响应二值化后，DeepID2+仍然能够实现高识别精度。(2) 其高层神经元对身份和身份相关属性具有高度的选择性。当不同的身份或属性出现时，我们可以识别出不同子集的神经元，这些神经元要么持续兴奋要么被抑制。尽管DeepID2+在训练过程中没有被教导区分属性，但它已经隐式地学会了这些高层次的概念。(3) 尽管训练集中未包含遮挡模式，但DeepID2+对遮挡具有更强的鲁棒性。