这是来自猎户星空的关于人脸识别的文章
作者 Chong Wang ；Xue Zhang ；Xipeng Lan
https://arxiv.org/abs/1709.02940
好久没有写博客了，水一篇。。。
一句话总结
对应triplet的训练，多采用OHNM的方式挖掘困难负样本，然而随着训练数据的增加，easy-triplet更多，困难样本的搜索空间增大，于是本文将训练数据分为若干小部分，每部分中的不同id的训练样本有着较高的相似性（个人感觉ohnm都是trick样的东西，但是大牛们还是可以写的很好）
1. Method
文章先回顾了OHNM和batch OHNM 然后提出subspace learning
1.1 OHNM
其loss 如下
简言之就是只有负样本与anchor的距离大于正样本与anchor的距离一定值才可以算做loss
如上图，由于负样本是随机选择（浅蓝）的，很多更加困难的负样本（深蓝）没有被选择
1.2 Batch OHNM
上式中，T代表整个Image Space
训练时，随机选择B个不同的id，然后负样本的选择是靠近anchor的若干个非同id的样本，这样做的 好处是负样本更加困难了，有效的训练样本更多了。
1.3 Subspace Learning
作者认为困难负样本选择有用，但是随着id数量的增多，困难负样本不能被以上两种很好的挖掘，那么就先生成一些困难的小子空间，从子空间中在做batch ohnm
其中他们做子空间的方法是：
1. 首先根据使用部分数据训练分类模型
2. 然后将一个id内的特征求均值，作为该id的特征，然后根据id的特征做k-means生成M个子空间，文中每个子空间大约包含10k个id
在子空间做ohnm的loss 如下：
2 其他
2.1 数据清洗
作者认为cnn有一定抗干扰的能力，所以就先过拟合然后再去掉没有能过拟合的样本
2.2 加快检索速度
分两步，先分id后在id内算距离
3 Experimental evaluation
直接加ohem会变差，使用subspace learning的方法会有提高。文章思想比较简单，但是还是有一定的启发性的，和平时自己做的试验也有思想性。