我的项目的目的是在手机上提取特定的面部特征。这是一个使用用户脸部的验证应用程序。给定同一个人的两个不同图像，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下载该模型。但是，当我根据模型提取特征时，结果不够好，我描述了我做了什么以及我想要的如下：
我从Emma Watson的图像中提取特征，image_1返回feature_1，image2返回feature_2，依此类推（向量长度= 2048）。如果feature [i]> 0.0，则将其转换为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。汉明距离只是一种天真的比较方式，在实际项目中，我会在比较之前量化这些特征。然而，即使我使用2个神经面部表情图像（同一情绪，不同情绪类型返回更差的结果），Emma的两个图像之间的距离仍然很大。
我的问题是如何训练模型来提取目标用户的特征。成像，艾玛是目标用户，她的手机只需要提取她的功能。当有人试图解锁艾玛的手机时，她的手机会提取这个人的脸，然后与保存的艾玛的功能进行比较。另外，我不想训练模型来分类2个类Emma而不是Emma。我需要的是比较提取的功能。
总而言之，如果我们比较来自同一个人的不同图像的特征，距离（差异）应该是“接近”（小）。如果我们比较不同人物的不同图像的特征，距离应该是“远”（大）。
非常感谢。
我将执行以下操作：我们希望从ConvNet的深层计算特征，以最终将新图像与基本图像进行比较。假设这个深层给出了特征向量f。现在，创建一个包含图像对和标签y的数据集。比如，如果两个图像与基本图像是同一个人，则y = 1，如果它们不同，则y = 0。然后，计算元素明智差异并将其输入逻辑回归单位以获得y_hat：y_hat = sigmoid(np.multiply(W, np.sum(abs(f1 - f2)) + b)。您将不得不创建一个“Siamese”网络，其中有两个相同的ConvNets，一个为您提供f1用于一个图像，另一个用于f2用于来自同一示例对的另一个图像。连体网络需要始终具有精确的权重，因此您需要始终确保它们的权重彼此相同。当您训练这个新网络时，您应该得到理想的结果。