我的项目的目的是在手机上提取特定的面部特征。这是使用用户面部的验证应用程序。给定同一个人的两张不同图像，则尽可能地提取特征。
现在，我使用VGGFace团队的预训练模型和权重作为特征提取器，您可以在here中下载模型。但是，当我基于模型提取特征时，结果不够好，我描述了自己的工作和想要做的事情，如下所示：
我从Emma Watson的图像中提取特征，图像_1返回特征_1，图像2返回特征_2，依此类推（矢量长度= 2048）。如果feature [i]> 0.0，请将其转换为1。
for i in range(0, 2048):
if feature1[0][i] > 0.0:
feature1[0][i] = 1
然后，我使用汉明距离比较两个特征向量。汉明距离只是比较的一种幼稚方式，在实际项目中，我将在比较之前对这些特征进行量化。但是，即使我使用2个神经面部表情图像（相同的情感，不同的情感类型返回的结果也更差），两个Emma图像之间的距离仍然很大。
我的问题是我如何训练模型以提取目标用户的特征。成像方面，Emma是目标用户，她的手机只需要提取其功能即可。当有人尝试解锁Emma的手机时，她的手机会提取此人的脸，然后与保存的Emma的功能进行比较。另外，我不想训练一个模型来对2个类别的Emma进行分类，而不是对Emma进行分类。我需要比较提取的特征。
总而言之，如果我们比较来自同一个人的不同图像的特征，则距离（差异）应为“接近”（较小）。如果我们比较不同人的不同图像的特征，则距离应为“远”（大）。
非常感谢您。
答案 0 :(得分：1)
我将执行以下操作：我们想从ConvNet的深层计算功能，以最终将新图像与基础图像进行比较。假设这个深层为您提供了特征向量f。现在，创建带有图像对和标签y的数据集。假设两个图片与基本图片属于同一个人，则y = 1，如果两个图片不同，则y = 0。然后，计算元素明智的差异，并将其输入逻辑回归单元以获取y_hat：y_hat = sigmoid(np.multiply(W, np.sum(abs(f1 - f2)) + b)。您将必须创建一个“暹罗”网络，其中有两个相同的ConvNet，其中一个为您提供f1的一个图像，另一个为f2的另一个图像，来自同一对示例。暹罗网络需要始终具有精确的权重，因此您需要确保它们的权重始终相同。在训练这个新网络时，您应该会获得理想的结果。