人脸识别“FaceNet: A Unified Embedding for Face Recognition and Clustering”

作者认为用于训练的三元组很重要，使用经过筛选的三元组数据训练，在LFW上识别率达到了99.63%。使用深度卷积网学习图像的欧式嵌入。

方法描述：
使用了两个网络Zeiler&Fergus，Inception网络。这个系统的架构如下：

将三元组损失用于识别，认证和聚类任务。学习一个embedding 函数$f(x)$将图像x映射到特征空间$\mathbb R^d$，使得同一人脸间的平方距离最小。

1.三元组损失
同一人间的距离小，不同人间的距离大：

损失函数是为了最小化：

损失函数学习的结果如下：

这里的关键是选择hard的三元组，让模型快速收敛，原则是，给定$x^a_i$，选择hard正样本，最大化$||f(x^a_i)-f(x^p_i)||^2_2$，选择hard负样本，最小化$||f(x^a_i)-f(x^n_i)||^2_2$。这有可能导致误标记或质量较差的图像主宰hard的正样本和负样本。

作者介绍了两个方法避免这种情况，
Generate triplets offline every n steps, using the most recent network checkpoint and computing the argmin and argmax on a subset of the data.
Generate triplets online. This can be done by selecting the hard positive/negative exemplars from within a mini-batch.

为了避免选择最难的负样本，选择满足如下条件的semi-hard负样本，这些负样本落在margin $\alpha$的内部：

深度卷积网
作者使用了两个网络，分别分析FLOPS和网络参数对结果的影响，两个网络一个大一个小，分别用在数据中心和移动手机上，第一个ZF的网络深度为22层，有140百万个参数，每幅图像需要16亿次浮点运算。第二个网络是GoogleNet的Inception模型，参数和浮点运算次数小很多。

FLOPS与准确率之间的关系：