互联网+比赛中的实战应用：基于深度学习人脸识别系统的性别与年龄识别方法解析（第三部分）

3.1 数据集

学长收集的数据集：
该人脸数据库的图片来源于互联网的爬取，而非研究机构整理，一共含有13000多张人脸图像，在这个数据集中大约有1860张图片是成对出现的，即同一个人的2张不同照片，有助于人脸识别算法的研究，图像标签中标有人的身份信息，人脸坐标，关键点信息，可用于人脸检测和人脸识别的研究，此数据集是对人脸算法效果验证的权威数据集.

该数据集包含的人脸范围比较全面，欧亚人种都有。

3.2 深度学习识别算法

卷积神经网络是常见的深度学习架构，而在CNN出现之前，图像需要处理的数据量过大，导致成本很高，效率很低，图像在数字化的过程中很难保留原有的特征，导致图像处理的准确率不高。CNN的出现使得提取特征的能力变得更强，为更多优秀网络的研究提供了有力的支撑。CNN的核心思想是利用神经网络模拟人脑视觉神经系统，构造多个神经元并建立彼此之间的联系。不同的神经元进行分工，浅层神经元处理低纬度图像特征，深层神经元处理图像高级特征、语义信息等，CNN的网络结构主要由卷积层、BN层、激活层、池化层、全连接层、损失函数层构成，多个层协同工作实现了特征提取的功能，并通过特有的网络结构降低参数的数量级，防止过拟合，最终得到输出结果.

CNN传承了多层感知机的思想，并受到了生物神经科学的启发，通过卷积的运算模拟人类视觉皮层的“感受野”。不同于传统的前馈神经网络，卷积运算对图像的区域值进行加权求和，最终以神经元的形式进行输出。前馈神经网络对每一个输入的信号进行加权求和：

• （a）图是前馈神经网络的连接方式
• （b）图是CNN的连接方式。

cnn框架如下：

3.3 特征提取主干网络

在深度学习算法研究中，通用主干特征提取网络结合特定任务网络已经成为一种标准的设计模式。特征提取对于分类、识别、分割等任务都是至关重要的部分。下面介绍本文研究中用到的主干神经网络。

ResNet网络
ResNet是ILSVRC-2015的图像分类任务冠军，也是CVPR2016的最佳论文，目前应用十分广泛，ResNet的重要性在于将网络的训练深度延伸到了数百层，而且取得了非常好的效果。在ResNet出现之前，网络结构一般在20层左右，对于一般情况，网络结构越深，模型效果就会越好，但是研究人员发现加深网络反而会使结果变差。

人脸特征提取我这里选用ResNet，网络结构如下：

3.4 总体实现流程