Face recognition-Loss Functions
softmax
每个人为一类，总共n+1类。收敛后的网络可以用于提取待测试集合的人脸特征，再在该特征基础上训练分类器（SVM、联合贝叶斯、knn等）, 缺陷是区分力度不够，受限于close-set，对于open-set的泛化性不够。一般的解决办法如deepid是网络只用作提取特征，后续再接一个特定任务的分类器。
triplet-loss(google-facenet)
构建过程:从训练数据集中随机选一个样本，该样本称为Anchor，然后再随机选取一个和Anchor
(记为x_a)属于同一类的样本和不同类的样本,这两个样本对应的称为Positive (记为x_p)和Negative
(记为x_n)，由此构成一个（Anchor，Positive，Negative）三元组.
学习的目的即是：在一定的间隔alpha下，保证当前样本与同类样本之间的距离（distance_pos）与alpha之和小于其与非同类样本之间的距离（distance_neg）。
三元组的选择比较困难，如果暴力搜索查找整个集合里面的最近和最远样本，将非常耗时，且网络容易受不好的anchor影响不好训练，解决方式是在mini-batch里面进行选取。
contrasive-loss
类似与triplet的思想，增加类间距离，使得不同人脸更易于区分。
norm-softmax和L2-softmax
认为经过训练和测试所使用的特征不同态，训练的时候用的是embedding来度量距离，而测试的时候用的embeding的L2loss来度量，所以应该在训练的时候将输入softmax的特征L2化。
center-loss
triplet-loss和cotrasive-loss着重于解决类间区分性，center-loss认为类内的聚合性对于特征的映射学习也很重要，所以在embeding后将损失分为两个分支，其一是度量类间距离损失的softmax，其二是度量类内距离损失的center-loss.
sphere-loss
将softmax损失推广到流形空间，不再是在欧式空间度量样本间的距离。使得样本的区分性更强了。