更改

FACE 主要有 FACEHandler 和 FACEServer 两部分代码组成。两部分代码组成，由CONGFIG进行配置。

=====小结=FACE服务器搭建======FACEServer.cpp定义了端口和线程：Port 8086 / Threads 4定义了服务器指向： auto handler = std::make_shared<FACEHandler>(); auto server = folly::make_unique<ThriftServer>(); server->setPort(FLAGS_port); server->setNWorkerThreads(FLAGS_num_of_threads); server->setInterface(std::move(handler)); server->setIdleTimeout(std::chrono::milliseconds(0)); server->setTaskExpireTime(std::chrono::milliseconds(0));

IMC主要运用了深度学习框架以及健康且强大的Folly Futures库，对图像进行预先处理，并最终有效的实现图像的分类及识别。此项功能巧妙运用了Intelligent Personal Assistants, 结合人声与图像，为未来虚拟助手的发展，提供了平台及机遇。======人脸识别解决方案======FACEHandler.cpp编写了FACE的解决方案，应用Caffe深度学习框架。#重要概念：network、weightsFACEHandler::FACEHandler()为最重要的函数#原理：对原始数据分离训练集和测试集转换为caffe可以处理的lmdb格式根据设定的Net网络和Solver配置文件进行训练得到训练的模型#步骤：在我们组选择好训练数据和测试数据之后，就需要进行数据处理了，处理方法主要分为3个步骤。##人脸检测##人脸特征点检测##人脸的对齐。采用卷积神经网络（CNN）方法，并且采用CNN最后一层的激活值输出作为features，不同的人脸区域放入CNN中提取特征，形成了互补、过完全的特征表示（form complementary and over-complete representations）。通过深度卷积网络来学习高级的过完全特征（有监督），CNN的最后一层激活值作为输出，#具体细节：采用多尺度，多人脸区域，训练多个CNN网络，最后得出一张人脸图像的多维度特征。CNN的结构如下： #说明：上面的Face patches 是进过对齐过后的的人脸块，也就是说已左（右）眼为中心的人脸区域块，嘴角为中心的人脸区域块等等，这样就有多个不同的输入块输入到CNN中。最后再把不同的块所输出的特征连接起来，就形成了一个最终一张人脸的特征。然后再用各种分类器对其特征进行分类。采用Max-Pooling，softmax。#输入图像：多个人脸正方形块（因为后面要考虑到是全局图像还是局部图像，且需要考虑到尺度问题），其中局部图像是关键点（每个图像一个关键点）居中，不同的区域大小和不同的尺度图像输入到CNN中，其CNN的结构可能会不相同，最后将所有的特征级联起来。#特点：在训练CNN中，训练数据的类别越多，其性能越好，但是会在训练模型中出现问题，也就是太慢。CNN的输出是特征，而不是输出类别。分类采用Joint Bayesian 来进行人脸的verification；也采用了神经网络来比较，但是联合贝叶斯的效果比较好； =====小结=====FACE主要运用了深度学习框架以及健康且强大的Folly Futures库和Caffe开源深度学习框架，对图像进行预先处理，并最终有效的实现图像的分类及识别。