Face++人脸识别：Learning Deep Face Representation

此文由Face++团队于2014年发表
论文链接：https://arxiv.org/abs/1403.2802

1.研究问题

使用深度神经网络提取特征，提出金字塔神经网络。

2.此文工作

2.1 金字塔神经网络

网络结构（论文里没有讲清楚具体细节，只给了大概结构）：
 网络为Siamese network
 输入为不同的图像patch， 也就是不同的人脸部位
 整个网络由很多个level 的网络组成
 每个level 上的网络由共享的层和不共享的层组成，共享的层由之前的level 训练得到，此level 只训练不共享的层
 每个level 有多个神经网络，它们对应于不同的patch 但是它们的第一层的参数是相同的
 最后的特征为所有网络输出连接组成（训练时），这样的特征为多尺度特征，也是过完全特征，但是文中说明了过完全对结果有好处，而且特征可以通过PCA 降维，降维后的特征分类识别能力也很强（即使降到8维，正确率也能达到80%以上）
 检测时使用的特征是最后一个level 的输出

采用金字塔网络的原因：
 加快网络训练
 获得多尺度人脸特征
网络训练的损失函数：

目标：使同一个人的距离相近，不同人的距离相远。

网络的训练方法：

2.2 实验结果

准确率（LFW）97.27%

训练时间与准确率：（证明他们的方法可以加快训练）

3总结

优点：定义了一个新的神经网络的结构：金字塔神经网络，并且人脸识别效果相较于传统方法有巨大提高。文章最后总结：由于人脸是高度结构化的图片，所以可以应用金字塔神经网络，但是普通物体具有很大的可变性，不太好应用。
缺点：没有说清楚网络结构和参数，也没有讲清楚训练数据集的来源与大小。