@作者: 研发中心算法平台 @迪吉老农

假冒大V的头像识别

一. 问题的定义

热门微博的评论中出现了一批假冒名人头像的用户，在头像右下角仿造了一个V字图形。如图，

热门流中的假大V

热门微博的产品希望通过图片识别这些用户。

二. 基于相似图片的方法

2.1. 算法

第一版模型，是基于相似图片搜索。步骤如下，

• 首先选出来一些V字图片作为模板，提取图片的指纹特征。
• 对于给定的一张要判定的图片，按像素和不同放大比例来扫描，如果发现和模板中的指纹相似性较高，则认为含有V字形在图片里面。

图片指纹的计算，参考的是图片搜索引擎这篇文章。简单来说，对于一张给定的方块图，我们把它按照下图所示分成5个区块，

图片分块

每个区块计算HSV(Hue, Saturation, Value)三维颜色空间的直方图分布，例如，

将这个分布的形状作为图片的指纹特征。通过比较每个区块中的颜色分布与模板的颜色分布是否相似（计算$\chi^2$距离），来判定是否含有大V图标。

2.2. 效果

我们手工收集了15张含有V字的图片，将V字部分抠出来，计算指纹作为模板保存起来。

通过上面的算法，成功识别了大V图形的部分。如下图所示，

大V模板上的表现

算法的计算时间比较长，因为要考虑不同位置和不同缩放比例。平均完成一整张图的扫描的时间为1s。

当我们把这个算法应用到100万个测试用的头像集的时候，更严重的问题出现了：误判。很多正常的图片（比如一些纯色图、漫画）都被错误地识别成大V了。我们试图通过调整直方图的划分方式来过滤误伤，但是，新的误伤类型又会产生，此消彼长。一些误判的例子如下，

最终，从100万张测试图像中扫出300张图，竟然没有一张是大V图片，100%都是误判。我们意识到，大V图片的在总比例是相当低的，需要更为精确的算法才能避免误伤。

三. 卷积神经网络

之前的算法是，采用直方图提取特征值，用扫描和缩放来定位。我们考虑，这两步可以统一到卷积神经网络的框架中，特征可以提取得更细腻，扫描和缩放也可以通过卷积和池化的操作来实现，避免了扫描带来的大量重复计算，可以把精度和速度都提升一个量级。卷积神经网络应用于手写识别已经很成功，解决类似的问题，我们猜测只需要一个简单的网络就可以了。只是难点在于，没有训练数据。

3.1. 数据生成

构建深度网络模型需要大量的标注数据，这在我们的项目中是无法获得的，只能我们人为构造数据集，但是需要加入足够丰富的扰动项，以避免模型抓住了单一维度，过拟合。

数据的生成方式如下，

• 首先，从之前的模板中将V字图形抠出。
• 然后，对V字图形进行一定的随机扰动，包括
  • 一些photoshop中的手动操作（比如增加水波纹理，灰色图，特效等）
  • 机器自动生成的缩放、旋转、色阶移动等。
• 将扰动后的大V附加到原图右下角的位置上。
• 模仿之前的假大V模式，按一定比例地用圆圈切除四个边角，用灰白色填充空白。

生成器生成的负样本如下（只显示了右下角），

无大V的图片

正样本如下（只显示右下角），

正样本

最终，读取一个大概60000张的非大V的头像图库，把按照1:1的比例持续输出正负样本给模型进行训练。

3.2. 网络结构和训练参数

之前很多次用卷积神经网络，但是没有自己写过模型，都是直接用前人写好的网络结构跑一下。很多时候，好的结果自动就出来了，也没有深究每一步的原因。这次干脆从零开始写，实验了一下各种模型结构。

最后发现，如果随便弄上去一个模型，也许可以都达到差不多99%的准确率；但是，这样的准确率并不够，1%的误差意味着，一百万用户就误伤1万用户。我们要看哪个模型可以达到99.90%，甚至接近99.99%，才能应对这种正负样本偏差极大的情况。

3.2.1. LeNet结构

开始试验的是类似LeNet的结构，基本结构是Convolution2D + MaxPooling，然后不断循环加深。

Layer (type)                 Output Shape              Param #   
=================================================================
image_input (InputLayer)     (None, 90, 90, 3)         0         
_________________________________________________________________
conv2d_1 (Conv2D)            (None, 90, 90, 8)         224       
_________________________________________________________________
batch_normalization_1 (Batch (None, 90, 90, 8)         32        
_________________________________________________________________
activation_1 (Activation)    (None, 90, 90, 8)         0         
_________________________________________________________________
max_pooling2d_1 (MaxPooling2 (None, 45, 45, 8)         0         
_________________________________________________________________
conv2d_2 (Conv2D)            (None, 45, 45, 8)         584       
_________________________________________________________________
batch_normalization_2 (Batch (None, 45, 45, 8)         32        
_________________________________________________________________
activation_2 (Activation)    (None, 45, 45, 8)         0         
_________________________________________________________________
max_pooling2d_2 (MaxPooling2 (None, 22, 22, 8)         0         
_________________________________________________________________
conv2d_3 (Conv2D)            (None, 22, 22, 16)        1168      
_________________________________________________________________
batch_normalization_3 (Batch (None, 22, 22, 16)        64        
_________________________________________________________________
activation_3 (Activation)    (None, 22, 22, 16)        0         
_________________________________________________________________
max_pooling2d_3 (MaxPooling2 (None, 11, 11, 16)        0         
_________________________________________________________________
conv2d_4 (Conv2D)            (None, 11, 11, 32)        4640      
_________________________________________________________________
batch_normalization_4 (Batch (None, 11, 11, 32)        128       
_________________________________________________________________
activation_4 (Activation)    (None, 11, 11, 32)        0         
_________________________________________________________________
max_pooling2d_4 (MaxPooling2 (None, 5, 5, 32)          0         
_________________________________________________________________
flatten_1 (Flatten)          (None, 800)               0         
_________________________________________________________________
dense_1 (Dense)              (None, 16)                12816     
_________________________________________________________________
batch_normalization_5 (Batch (None, 16)                64        
_________________________________________________________________
activation_5 (Activation)    (None, 16)                0         
_________________________________________________________________
output (Dense)               (None, 2)                 34        
=================================================================
Total params: 19,786
Trainable params: 19,626
Non-trainable params: 160

这个模型在测试集上的效果如下，感觉对V字的识别能力还是不错的，误伤在30%以上，略大了一些。

Precision-recall at threshold 0.500000
             precision    recall  f1-score   support

          0       0.99      0.89      0.94       373
          1       0.76      0.97      0.85       131

avg / total       0.93      0.91      0.91       504

Precision-recall at threshold 0.700000
             precision    recall  f1-score   support

          0       0.99      0.88      0.93       373
          1       0.80      0.95      0.87       131

avg / total       0.94      0.90      0.92       504

Precision-recall at threshold 0.800000
             precision    recall  f1-score   support

          0       0.99      0.86      0.92       373
          1       0.83      0.95      0.88       131

avg / total       0.95      0.88      0.91       504

Precision-recall at threshold 0.900000
             precision    recall  f1-score   support

          0       0.99      0.83      0.90       373
          1       0.87      0.94      0.90       131

avg / total       0.96      0.86      0.90       504

Precision-recall at threshold 0.950000
             precision    recall  f1-score   support

          0       0.99      0.82      0.89       373
          1       0.89      0.94      0.91       131

avg / total       0.96      0.85      0.90       504

AUC score:
0.983238851483
confusion_matrix
[332  41] (0) 0
[  4 127] (1) 1
 (0) (1)

3.2.2 全卷积的LeNet结构

LeNet结构的模型，经过Flat层以后，变成了800，全链接层带来了比较多的参数，有过拟合的风险，于是尝试用GlobalMaxPooling替代Flat层和隐层Dense(16)。

Layer (type)                 Output Shape              Param #   
=================================================================
image_input (InputLayer)     (None, 90, 90, 3)         0         
_________________________________________________________________
conv2d_1 (Conv2D)            (None, 90, 90, 8)         224       
_________________________________________________________________
batch_normalization_1 (Batch (None, 90, 90, 8)         32        
_________________________________________________________________
activation_1 (Activation)    (None, 90, 90, 8)         0         
_________________________________________________________________
max_pooling2d_1 (MaxPooling2 (None, 45, 45, 8)         0         
_________________________________________________________________
conv2d_2 (Conv2D)            (None, 45, 45, 8)         584       
_________________________________________________________________
batch_normalization_2 (Batch (None, 45, 45, 8)         32        
_________________________________________________________________
activation_2 (Activation)    (None, 45, 45, 8)         0         
_________________________________________________________________
max_pooling2d_2 (MaxPooling2 (None, 22, 22, 8)         0         
_________________________________________________________________
conv2d_3 (Conv2D)            (None, 22, 22, 16)        1168      
_________________________________________________________________
batch_normalization_3 (Batch (None, 22, 22, 16)        64        
_________________________________________________________________
activation_3 (Activation)    (None, 22, 22, 16)        0         
_________________________________________________________________
max_pooling2d_3 (MaxPooling2 (None, 11, 11, 16)        0         
_________________________________________________________________
conv2d_4 (Conv2D)            (None, 11, 11, 32)        12832     
_________________________________________________________________
batch_normalization_4 (Batch (None, 11, 11, 32)        128       
_________________________________________________________________
activation_4 (Activation)    (None, 11, 11, 32)        0         
_________________________________________________________________
max_pooling2d_4 (MaxPooling2 (None, 5, 5, 32)          0         
_________________________________________________________________
global_max_pooling2d_1 (Glob (None, 32)                0         
_________________________________________________________________
dropout_1 (Dropout)          (None, 32)                0         
_________________________________________________________________
output (Dense)               (None, 2)                 66        
=================================================================
Total params: 15,130
Trainable params: 15,002
Non-trainable params: 128

这个模型在测试集的效果如下，

Precision-recall at threshold 0.500000
             precision    recall  f1-score   support

          0       0.95      0.94      0.94       373
          1       0.82      0.85      0.84       131

avg / total       0.92      0.91      0.92       504

Precision-recall at threshold 0.700000
             precision    recall  f1-score   support

          0       0.96      0.92      0.94       373
          1       0.87      0.80      0.83       131

avg / total       0.93      0.89      0.91       504

Precision-recall at threshold 0.800000
             precision    recall  f1-score   support

          0       0.97      0.91      0.94       373
          1       0.88      0.78      0.83       131

avg / total       0.95      0.88      0.91       504

Precision-recall at threshold 0.900000
             precision    recall  f1-score   support

          0       0.99      0.90      0.94       373
          1       0.89      0.71      0.79       131

avg / total       0.96      0.85      0.90       504

Precision-recall at threshold 0.950000
             precision    recall  f1-score   support

          0       0.99      0.88      0.93       373
          1       0.91      0.64      0.75       131

avg / total       0.97      0.82      0.89       504

AUC score:
0.97599410597
confusion_matrix
[349  24] (0) 0
[ 19 112] (1) 1
 (0) (1)

观察分错的例子，我们发现对于红黄交替的图片会分不清，对于圆形标记内部的V字形没有分辨能力。

LeNet分错的例子

我感觉模型并没有学习到V的形状，对于含有V字的变体，没有任何识别能力。

漏掉的大V

为了解决这个问题，我曾一度尝试在网络后层加深，或者增加卷积的输出频道个数；但是除了模型过拟合变的更严重外，效果没有改进。

3.2.3. 网络结构分析

在之前的建模中，我一直有一个误区：注意到V字图形的边长是右下角$\frac{1}{3}$左右，于是希望卷积后的图片大小能越来越小，到最后一层能到$5\times5$或$3\times3$，以为这样以后每个点控制的就是$\frac{1}{5}$或者$\frac{1}{3}$的图像区域，就可以覆盖到完整的V字。实际上这样理解卷积是错误的。

实际上应该怎么计算，我们看下图，

卷积和池化覆盖

我们先看左边的卷积。如果上层每个结点覆盖了$c_n$个像素点，结点之间的步长跨度为$step_n$像素，那么一个步长为$k$的卷积生成的新结点，将覆盖像素点个数为
$$
c_{n+1} = c_n + (k-1)\cdot step_n
$$
再看右边的池化层。池化层的作用是修改了结点之间步长跨度的像素，即
$$
step_{n+1} = 2 step_n
$$
拿之前的两层网络分析一下，

Layer (type)                 Output Shape              Param #   
=================================================================
image_input (InputLayer)     (None, 90, 90, 3)         0         
_________________________________________________________________
conv2d_1 (Conv2D)            (None, 90, 90, 8)         224       
_________________________________________________________________
max_pooling2d_1 (MaxPooling2 (None, 45, 45, 8)         0         
_________________________________________________________________
conv2d_2 (Conv2D)            (None, 45, 45, 8)         584       
_________________________________________________________________
max_pooling2d_2 (MaxPooling2 (None, 22, 22, 8)         0         
______________________________________________________________
conv2d_3 (Conv2D)            (None, 22, 22, 16)        1168      
_________________________________________________________________
activation_3 (Activation)    (None, 22, 22, 16)        0         
_________________________________________________________________
max_pooling2d_3 (MaxPooling2 (None, 11, 11, 16)        0         
_________________________________________________________________
conv2d_4 (Conv2D)            (None, 11, 11, 32)        12832     
_________________________________________________________________ 

• 第1层卷积，核是3，步长是1个像素，每个上层结点对应1个像素，所以每个下层结点覆盖像素点个数为$1 + (3-1) \cdot 1 = 3$
• 第1层池化，将2个像素点合成一个步长。
• 第2层卷积，核是3，步长是2个像素，每个上层结点对应3个像素，所以下层结点覆盖$3 + (3-1)\cdot2 = 7$
• 第2层池化，将4个像素点合成一个步长。
• 第3层卷积，核是3，步长是4个像素，下层结点覆盖$7 + (3-1)\cdot 4 = 15$
• 第3层池化，将8个像素点合成一个步长。
• 第4层卷积，核是3，步长是8个像素，下层结点覆盖$15 + (3-1)\cdot 8 = 31$

我们看到，经过这些步骤以后，图像抽象到了$11\times11$个结点，每个结点覆盖31个像素点。已经达到了我们的预期的V字图片的大小，如果再做一次卷积，将结点个数缩小到$5\times5$，那么每个点将覆盖$31 + (3-1)\cdot16 = 63$了，已经够大了，并不是之前想的，只覆盖了$90 \times \frac{1}{5} = 16$的像素点。

3.2.4. VGG结构

最终选用VGG类似的结构，主要的结构模式是把两次$3\times3$的卷积叠在一起，再做池化。相当于增加了抽象的程度。

_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
image_input (InputLayer)     (None, 90, 90, 3)         0         
_________________________________________________________________
conv2d_1 (Conv2D)            (None, 90, 90, 16)        448       # 1 + 2 * 1 = 3
_________________________________________________________________
conv2d_2 (Conv2D)            (None, 90, 90, 16)        2320      # 3 + 2 * 1 = 5
_________________________________________________________________
batch_normalization_1 (Batch (None, 90, 90, 16)        64        
_________________________________________________________________
activation_1 (Activation)    (None, 90, 90, 16)        0         
_________________________________________________________________
max_pooling2d_1 (MaxPooling2 (None, 45, 45, 16)        0         # step = 2
_________________________________________________________________
conv2d_3 (Conv2D)            (None, 45, 45, 16)        2320      # 5 + 2 * 2 = 9
_________________________________________________________________
conv2d_4 (Conv2D)            (None, 45, 45, 16)        2320      # 9 + 2 * 2 = 13
_________________________________________________________________
batch_normalization_2 (Batch (None, 45, 45, 16)        64        
_________________________________________________________________
activation_2 (Activation)    (None, 45, 45, 16)        0         
_________________________________________________________________
max_pooling2d_2 (MaxPooling2 (None, 22, 22, 16)        0         # step = 4
_________________________________________________________________
conv2d_5 (Conv2D)            (None, 22, 22, 32)        4640      # 13 + 2 * 4 = 21
_________________________________________________________________
conv2d_6 (Conv2D)            (None, 22, 22, 32)        9248      # 21 + 2 * 4 = 29
_________________________________________________________________
batch_normalization_3 (Batch (None, 22, 22, 32)        128       
_________________________________________________________________
activation_3 (Activation)    (None, 22, 22, 32)        0         
_________________________________________________________________
max_pooling2d_3 (MaxPooling2 (None, 11, 11, 32)        0         # step = 8
_________________________________________________________________
conv2d_7 (Conv2D)            (None, 11, 11, 48)        13872     # 29 + 2 * 8 = 45
_________________________________________________________________
conv2d_8 (Conv2D)            (None, 11, 11, 48)        20784     # 45 + 2 * 8 = 61
_________________________________________________________________
batch_normalization_4 (Batch (None, 11, 11, 48)        192       
_________________________________________________________________
activation_4 (Activation)    (None, 11, 11, 48)        0         
_________________________________________________________________
global_max_pooling2d_1 (Glob (None, 48)                0         
_________________________________________________________________
dropout_1 (Dropout)          (None, 48)                0         
_________________________________________________________________
output (Dense)               (None, 2)                 98        
=================================================================
Total params: 56,498
Trainable params: 56,274
Non-trainable params: 224

最后每个点覆盖的像素点个数，可以按照上表中的注释部分来计算，得到最终$11\times11$个结点，每个结点覆盖61个像素，比较好的可以覆盖各种尺寸的V字图标。

我们将之前模型预测错误的样本加入模型，不断迭代训练。这过程不仅包含增加训练集，而是在测试集和验证集中也都增加了一批模型分错的图片。目前的效果是，

classification report:
Precision-recall at threshold 0.500000
             precision    recall  f1-score   support

          0       1.00      0.99      0.99      6820
          1       0.94      0.99      0.97      1124

avg / total       0.99      0.99      0.99      7944

Precision-recall at threshold 0.700000
             precision    recall  f1-score   support

          0       1.00      0.98      0.99      6820
          1       0.96      0.99      0.97      1124

avg / total       0.99      0.98      0.99      7944

Precision-recall at threshold 0.800000
             precision    recall  f1-score   support

          0       1.00      0.98      0.99      6820
          1       0.97      0.99      0.98      1124

avg / total       0.99      0.98      0.99      7944

Precision-recall at threshold 0.900000
             precision    recall  f1-score   support

          0       1.00      0.97      0.98      6820
          1       0.97      0.98      0.98      1124

avg / total       1.00      0.97      0.98      7944

Precision-recall at threshold 0.950000
             precision    recall  f1-score   support

          0       1.00      0.96      0.98      6820
          1       0.98      0.98      0.98      1124

avg / total       1.00      0.96      0.98      7944

AUC score:
0.998549835109
confusion_matrix
[6747   73] (0) 0
[   6 1118] (1) 1
 (0) (1)

3.3. 实际效果

几轮迭代以后，0.9分数下实际分错的比例从90%降低到10%以内，召回保持在90%以上。

四. 持续训练架构

我将模型的训练抽象出来，方便模型持续接受新的输入来迭代。

• 启动vreco_train_booter.sh，程序会每隔30秒搜索一次log/start.pid存在与否，判断是否启动训练。
• 将新增的图片上传到upload文件夹中对应的类目中，比如将模型分错的图片传到upload/train/0/目录下，将含有大V标识的图片传到upload/train/1/目录下。
• 在log目录下新建start.pid来通知vreco_train_booter.sh启动模型训练。
• 启动模型后，程序将upload目录下的图片合并到stage目录下。
• 训练时间大概是不到一个小时，平台会生成一个版本编号，生成这个版本对应的结果日志，保存到backup/result/目录下。模型文件保存到backup/model/。最后会将这次训练用到的数据stage打包放在backup/data/目录中。所有这些都会以版本号来区分，例如，

├── data
│   ├── stage_20170516-154945.tar.gz
│   ├── stage_20170516-163435.tar.gz
│   └── stage_20170516-174022.tar.gz
├── model
│   ├── cnn_20170516-154945.pkl
│   ├── cnn_20170516-154945.pkl.hdf5
│   ├── cnn_20170516-163435.pkl
│   ├── cnn_20170516-163435.pkl.hdf5
│   ├── cnn_20170516-174022.pkl
│   ├── cnn_20170516-174022.pkl.hdf5
│   └── nn_checkpoint.hdf5
└── result
    ├── result_20170516-154945
    ├── result_20170516-163435
    └── result_20170516-174022

• 训练结束后会通过邮件，把结果result发送到指定的邮箱中。

我们可以通过报告来查看是否新的模型有合理的表现，是否需要上线等。如果需要恢复上一次版本的数据重新训练，可以从backup/data/中找到对应的stage解压回去。

注意，GPU内存需要保持将近3G空余用来训练，否则会报错，发送带有错误标题的空邮件报告。

版权声明

以上文章为本人@迪吉老农原创，首发于简书，文责自负。文中如有引用他人内容的部分（包括文字或图片），均已明文指出，或做出明确的引用标记。如需转载，请联系作者，并取得作者的明示同意。感谢。