论文阅读 FaceNet: A Unified Embedding for Face Recognition and Clustering

这篇文章提出了FaceNet系统，学习从人脸到欧式空间的映射，在欧氏空间中判断两幅图片的相似性。可以用来人脸验证、人脸识别以及聚类。

  人脸验证：两个嵌入之间距离阈值化问题

  人脸识别：k-NN分类问题

  聚类：相同身份的人的图像聚成一类，k-means聚类、凝聚聚类等。

 

  这篇文章的模型架构如下图所示，主要是端到端的网络实现。

其中，深度网络主要有两种不同的构造。

结构1：多重交错的卷积层、非线性**、局部响应标准化、最大池化等。

结构2：Inception model 主要用卷积层和池化层混合。

 

所使用的损失函数：Triplet loss

 

三元组损失函数是最大化负样本和anchor之间的距离，最小化正样本和anchor之间的距离。

 

挑选hard examples:

hard positive:使用每个mini-batch中的所有的anchor-positive样本对。

hard negative:使用来挑选hard负样本，称为semi-hard，因为这些样本同时能够比正样本离anchor远，但距离的平方又能够接近anchor和正样本之间的距离。