Facenet:一个统一的嵌入特征用于人脸识别和聚类

3.Method

Deep架构一个黑盒：ZF和inception。学习一个端到端的网络，在末端，我们使用三元组损失直接映射到我们想要的人脸确认、识别、聚类。

我们要完成一个嵌入函数f（x），计算一张图片x到一个特征空间。在这个空间，所有人脸的平方距离，相同身份距离小，不同身份距离大。三元组损失，尝试增加一个margin对不同身份的人脸，允许一个身份的人脸处于一个量级，增加不同身份之间的距离。

3.1 Triplet Loss

embedding层通过表示，一张图片x到一个d维的欧式空间，anchor，hard-positive，negative：

      （1）

加上一个margin，使学习（1）式更有效，满足等式的同时，我们让左边平方距离尽可能大，右边的平方距离尽可能小，

选,样本，还有margin。那么三元组损失函数为：

                      （2）

当满足（2）式时，损失函数就是0，当不满足（2）式时，通过最小化这部分通过梯度下降达到训练效果。

3.2Triplet selection

我们使用在线生成三元组，使用几千个样本的大批次，并且只计算批量中的argmin和argmax。确保每个批量中存在最少数量的任何一个身份的样本。在我们的实验中，训练数据每个批次中每个身份40张人脸。随机采样负样本加到每个批次中。

在一个批次中使用所有的anchor-positive对，仍然选择hard-negatives。但是我们在实践中发现，在训练开始时，所有的anchor-positive对都很稳定，收敛速度很快。满足这个，为semi-hard样本，再加一个margin。

正确选择3元组可以更快收敛。

我们在一个批次中选择难三元组得方式，使一个批次为1800样本。

3.3 Deep convolutional networks

inception 比ZF参数更少，输出L2：1*1*128；NNS1：26M参数，220M FLOPS,VAL:82%。NNS2:4.3M参数，20M FLOPS，验证集精度只有51%，网上只下载了NN3的模型，VAL88%,输入大小160*160，model:20170512-110547，内存大概90M，测试时调用时间较长，无法实时。现在GitHub上提供的是Resnet V1模型输入尺寸（160*160），pb文件91M、，在titanxp显卡上，导入模型需要2s，测试会话时也要2s，两个模型耗时接近，resnetv1低于inception，程序需要优化，将所有时间控制在2s内。

L2normalization

Normalization主要思想是对每个样本计算其p-范数，然后对该样本中每个元素除以该范数，这样处理的结果是使得每个处理后样本的p-范数（比如l1-norm,l2-norm）等于1。p-范数的计算公式： 

                                                            

4，论文训练部分，首先一个min-batch提取特征到L2，一张图片为1*1*128，对这一个batch中图片继续训练一个Ttiplet Loss，最小化，梯度反向传播，使得L2输出的embedding能很好的代表一张图片