FaceNet

FaceNet: A Unified Embedding for Face Recognition and Clustering

Paper：

Schroff F, Kalenichenko D, Philbin J. Facenet: A unified embedding for face recognition and clustering[C]//CVPR. 2015: 815-823.

---

概述：论文提出了一个端到端用于人脸识别的网络

Fig. 2 中L2表示L2 normalization ，之后是嵌入空间(将原向量映射到这个空间，向量的维数可能会发生变化)。损失函数使用Triplet Loss。

Fig 3. 表示： 训练的目的是训练网络，使得嵌入空间下Anchor与Postive的距离 小于Anchor与Negtive间的距离。其中Postive与Anchor样本中的人物身份相同，Negtive与Anchor样本中的人物身份不同。

目标是训练成式(1)所示：

hard positive定义：

hard negtive定义：

上面的$\alpha$表示margin ，

如果两幅图片在嵌入空间的距离<$\alpha$,那么判定为同一个人，否则不同。

当$\alpha=1.1$时，可以很好的区分不同图片中人物的身份。

---

损失函数：

其中 $x_i$ 表示输入样本，$f(x)$表示通过网络后嵌入空间的向量。 $x_i^a$ 表示anchor样本； $x_i^p$表示positive 样本； $x_i^n$表示negtive 样本。

---

三元组的选择：

正确的三元组选择对于快速收敛至关重要。

文中考虑的是在线选择方法。

首先对于所有样本，计算hardest postive 和hardest postitive是不可能的，这是由于样本数目太大。采取的办法是对于每一个mini-batch中的样本再来考虑三元组的选择。

为了使得Anchor-Positive距离有意义，首先必须保证每个mini-batch中任何一个身份的样本必须到达一定数量(否则没有Anchor-Positive距离)。

文中的选择是：40 faces per identity in a mini-batch.

对于每一个mini-batch，不是选择hardest Anchor-Positive 对，而是将所有Anchor-Positive对用来训练。文中说在实际过程中发现，这样做的效果比选用hardest Anchor-Positive对更加稳定而且在训练的初始阶段收敛更快。

实际过程中，选择hardest Anchor-Negtive 对，会导致网络陷入局部最优(特别地，会导致模式崩溃，比如$f(x)=0$)。

为了防止这种现象，选择semi-hard Anchor-Negtive 对，如式(3)所示。称它semi是因为所选Negtive样本到Anchor的距离 比 Positive样本到Anchor的距离大(所以也就没那么hard)； 称它hard是因为Anchor-Negtive 比 Anchor-Positive的距离大不了多少。这些负样本在 margin $\alpha$ 之内。