论文地址为：https://arxiv.org/abs/1511.02683
代码地址：
https://github.com/AlfredXiangWu/face_verification_experiment
正如前面《人脸验证：DeepID》博客所说，人脸验证任务中需要关心两个问题：一个是人脸特征提取，另一个就是如何判断是不是同一个人。特征提取的方法有LBP等传统方法，也有DeepID这样的深度学习方法。判断是不是同一个人的方法简单的有余弦相似度，复杂的有Joint Bayesian。本文主要的内容集中于人脸特征提取，就是使用Lighten CNN提取特征。
概述
为了得到更好的准确度，深度学习的方法都趋向更深的网络和多个模型ensemble，这样导致模型很大，计算时间长。本文提出一种轻型的CNN，在取得比较好的效果同时，网络结构简化，时间和空间都得到了优化，可以跑在嵌入式设备和移动设备上。
相关研究
用CNN进行人脸验证分为三种。一种是使用人脸分类的任务训练CNN提取特征，然后用分类器判断是不是同一个人。第二种是直接优化验证损失。第三种是将人脸识别和验证任务同时进行。本文框架是属于第一种。
网络结构
MFM：就是比较两个特征图各位置的大小，取对应位置大的值。 使用 caffe 的 Eltwise 层。MFM激活函数相比于Relu的优点，主要是它可以学习紧凑的特征而不是Relu那样稀疏高维的。
本文网络结构如上图所示，和DeepID一样，在训练时使用人脸分类的任务进行训练，最后得到256维的人脸特征。具体而言，网络结构如下，文章提出了两种结构，网络的主要结构是一样的，文章更多是集中在了第一种结构。
网络最后一层是Sofmax层，实现分类的目的，fc1的结果就是人脸的特征。
MFM激活函数
本文使用了一种称为MFM的激活函数，这个结构也很简单。在输入的卷积层中，选择两层，取相同位置较大的值。
写成公式：
输入的卷积层为2n层，取第k层和第k+n层中较大的值作为输出，MFM输出就变成了n层。激活函数的梯度为
这样激活层有一半的梯度为0，MFM可以得到稀疏的梯度。MFM激活函数相比于ReLU函数，ReLU函数得到的特征是稀疏高维的，MFM可以得到紧实（compact）的特征，还能实现特征选择和降维的效果。
实验
本文使用的数据集是CASIA-WebFace，有10575个人的493456张照片。训练使用了Caffe。输入图片为144*144的黑白图片，随机裁剪成128*128的大小。全连接层Dropout设置为0.7。不同层SGD的参数也不一样，前面除了fc2层，momentum设为0.9，weight decay为5e-4，fc2层为了防止过拟合，weight decay为5e-3。learning rate从1e-3降到5e-5。最终在GTX980上训练了两周。
结果
获取特征后，作者简单使用cosine similarity进行人脸验证。在LFW上，model A正确率为97.77%，model B为98.13%。可以看出这个结果是可以接受的。文章的模型A为26M，在i7-4790上测试一张图片的时间为71ms，我在骁龙808上测试是0.8s。
总结
本文网络属于轻量级结构，模型相对较小，前向计算速度快，能够在嵌入式设备上使用。虽然精度没有达到最高，但是属于可以接受的范围。