DeepID3是Yi Sun, Ding Liang, Xiaogang Wang, Xiaoou Tang在2015.02发表，提出基于VGGNet和GoogLeNet的人脸表示，DeepID3: Face Recognition with Very Deep Neural Networks
主要思想
- 本文提出了用两种非常深的神经网络架构用于人脸表示，称为DeepID3。这两种架构是从VGGNet和GoogLeNet中提出的堆叠卷积和Inception层构建的，使它们适合于人脸识别。
- 在训练期间，将joint face identification-verification supervisory signals添加到中间和最终特征提取层。
- 所提出的两种架构的集合在LFW上99.53％，略微提升
网络结构
- DeepID3 net1：基于VGG的结构，
- DeepID3 net2：基于GoogLeNet的结构，含有Inception层
- 有更深的网络层，还有连续两个conv layer的情况，有助于形成更大感受野和更复杂的非线性特征，同时使用了Inception后参数数量也有所降低。
- 监督信号作用在最后层和中间层。
测试结果
DeepID3仍采用原来DeepID2+中使用的训练样本，在分别25个patches(带水平翻转)产生的网络上作性能对比，DeepID3 net1优势最为明显，而DeepID3 net2提升不大显著。平均而言net1和net2降低了误码率分别为0.81%和0.26%
为了减少冗余，使用DeepID3 net1和net2来提取原始或水平翻转上的特征，但不是两者都有。在测试中，特征提取需要50次的正向传播，其中一半来自DeepID3 net1，另一半来自DeepID3 net2。这些特征被连接成一个大约长30000维的特征向量。利用PCA将人脸识别问题简化为300维，并在此基础上学习联合贝叶斯模型进行人脸识别。
DeepID3在LFW上人脸验证的准确率为99.53％，性能上并没有比DeepID2+的99.47％提升多少。因此，作者对于具有更深的架构网络是否具有更强的优势没有下定论，这可以作为之后的研究方向。作者最后提出一个方向，在这样深的架构上采用更多的数据集，或许这可以提升性能。
而且LFW数据集里面有三对人脸被错误地标记了，在更正这些错误的label后，两者准确率均为99.52％。
参考资料
https://zhuanlan.zhihu.com/p/76535973
https://blog.csdn.net/yiyouxian/article/details/52145727