Facenet + triplet_loss / arcface / constrastive_loss

---

前言

Facenet是一个经典的人脸识别模型，训练采用了triplet_loss。但是使用triplet_loss有一些问题，比如模型难收敛，三元组组合爆炸等。之后ArcFace的出现，使得模型能够快速收敛，不同人的人脸能够得到较好的区分。但是，上述两种模型/方法本质上都是在做分类，而实际人脸识别/比对应该是openset的，两者之间有出入。对比学习是一种应对该问题的方式，部分出现类别限制。
因此，本篇基于bubbliiiing的facenet做了一些拓展：除了原始的triplet_loss，还加入了arcface和contrastive_loss。

---

一、项目

repo：https://github.com/DaiHaoguang3151/facenet_with_contrastive_learning

二、心得

1. 使用arcface和contrastive_loss训练，收敛速度远快于triplet_loss；
2. 条件允许的情况下，尽可能调大batch，模型会更快的收敛；
3. 对比学习真的香，但是理论上训练一个好的模型也很吃数据量。

三、onnxruntime-web推理

需要将facenet作为人脸识别模型放到web段推理的朋友，可以参考web端实现基于face-api.js + facenet的人脸识别

---

总结

本篇对Facenet做了一些拓展和对比，供大家参考。