模型架构--4

Facenet

是google在2015於CVPR所发表的，提出在特徵空间里做出识别、验证的问题，只需想办法将人脸特徵如何最好的映射到特徵空间中。如果将特徵完好的映射在特徵空间中，就可以直接解决人脸验证、识别等问题。

使用的loss function为Triplet Loss
输入为三元组<a,p,n>
a为anchor(已知者，需要辨识的人)
p为positive,与a为同一人但不同张影像(有可能为角度、光线不同的影像)
n为negative,与a为不相同的人
损失函式公式为：
L=max(d(a,p)-d(a,n)+margin,0)

若要产生出最小的L则须拉近(a,p)距离，拉远(a,n)距离。

有三种三元组类别
easy triplets：L=0，这种情况不需进行优化。
hard triplets:d(a,n) < d(a,p),即(a,n)距离近,(a,p)距离远。
semi-hard triplets：d(a,p) < d(a,n) < d(a,p) + margin

在原始的Facenet论文中是采取随机的方式选取semi-hard triplets进行训练的。