paper：Multicolumn Networks for Face Recognition
论文链接：https://arxiv.org/pdf/1807.09192.pdf
这是一篇set-to-set的paper，作者提出了一个Multicolumn Networks，想要同时学习视觉信息和内容信息。 在原来的网络上加了“visual” quality 和 “content” quality 两个模块。
Approach
文章的整体结构如图所示。非常清晰明白：
输入一个base的多张图片，每张分别进backbone，得到feature。
对于visual模块，每张图片由FC层出来，学到一个质量系数alpha。然后将各个feature加权表示得到Vm。这个就是我们平时看到的每张图片的质量信息。
对于content模块，每个feature都和Vm做一个concat。也是通过一个FC层，学到一个beta，表示relative contribution。这个能够表示每个feature和平均feature的差异。
最后通过加权，得到Vd。也就是融合之后的feature。
这个是alpha的，通过FC加一个sigmod函数。
beta的做法也是一样的。
最后这样计算出来Vd
Experiments
网络结构如图所示：
IJB-A实验结果：
MN-v是指加了第一个模块，MN-vc是两个模块都加上，可以看到content提升的非常明显。
主要看beta学到的东西：
从第一行可以看出，较低直觉质量的图，可能拥有更好的重要性，比如图1-3.
第三行中，图3-2和3-3的直觉质量是差不多的，但是重要性差距也比较大。
作者加这个beta，主要是想说明并不绝对是视觉质量越高的图效果越好。
也就是说，有的comp是有很多信息的。像这里的beta就能反映一些comp和pose的信息。
