FaceNet: A Unified Embedding for Face Recognition and Clustering 泛读记录

三元样本选择

直接根据公式1在整个数据集上选择最难正样本与负样本是不可行的。因为训练集中可能有错误标注的样本与不清晰的样本，这些样本可能占据正负样本，导致不好的训练效果。
1.每n步离线生成样本组，使用最新网络检查点在一个子集上计算argmin,argmax
2.在线生成，在mini-batch上选择正负样本对。
本文方法采用在线生成方式，实验中minibatch保持每个身份的人脸模板至少选择40张图片。样本选择使用所有anchor-positive对，选择负样本也不按公式选择。选择的负样本满足如下条件

称这种负样本为semi-hard，这样的样本与anchor的距离 大于anchor-positive距离，所以依旧是难样本。只不过在边缘$\alpha$内。

深度卷积网络

作者设计两个网络，一个参数更多，浮点运算更多，另一个相反更适用于手机等设备上。

数据集与评价指标

数据集为Labelled Faces in the Wild and YouTube Faces ，测试集为Hold-out Test Set ,Personal Photos, Academic Datasets

属于同一身份且距离小于阈值，说明识别正确

FA，识别错误

实验

运算与精度权衡

红点为文章实验的网络

网络结构的影响

Personal Photo 实验结果

Hold-out Test set 实验结果

图片质量

模型为NN1

嵌入层维度

模型为NN1

训练集大小