从来没做过人脸识别，决定好好学习学习。
1. Introduction
首先看看是一个怎样的流程：
这里有一个embedding嵌入到我们的网络当中，随后接了一个三元组损失。
我们使用一个embedding: f(x)，将图像变换到一个128维的特征空间中，在这里存放所有脸之间的距离。
相同人脸的距离比较小，而不同人脸的距离比较大。
三元组由2个同一个人的face和1个其他人的face构成。
如:(mckee1，mckee2，jack1)
loss目的是通过距离将same与different区分开。
2. Method
2.1 triplet loss
我们要做到：
其中，a表示anchor，p表示positive，n表示negative
本文alfa = 0.2
损失函数为
当然，在这里，难例挖掘是至关重要的!!!
3.2 Triplet selection
应尽量选择一些hard examples，让网络学习到有用的东西，从而更好的更新
我们选择训练样本时，选择同一个人的两张脸差异度最大的正样本，选择不同人的两张脸差异度最小的负样本。
但是计算所有训练集的差异度是不可行的。
有以下两个方法：
(1)generate triplets offline: 每迭代n次，使用最近的model在数据的一个子集中来产生难例。
(2)generate triplets online: 在迭代的过程中，我们就在mini-batch中选择难例。
本文选择的是第二种。
3.3 Deep Convolutional Networks
两种结构，如图分别为ZF和Inception
ZF:
Inception:
可以看出，Inception参数量真是太太太少了！！！有木有？
4. Datasets and Evaluation
本文用了4个dataset：其中两个是 LFW 和 YouTube Faces
设置一个阈值来区分两张图片是否是一个人
我们将所有相同人物的pair放一起，称为P_same
所有不同人物构成的pair放一起，称为P_diff
评价指标是
其中，
TA表示正确分类的正样本数。
FA表示错误分类的负样本数。
5. 示例
将阈值设为1.1就可以正确进行识别了。
