Git: http://cmusatyalab.github.io/openface/
FaceNet’s innovation comes from four distinct factors: (a) thetriplet loss, (b) their triplet selection procedure, (c) training with 100 million to 200 million labeled images, and (d) (not discussed here) large-scale experimentation to find an network architecture.
首先resize为如下尺寸： 96*96
输入Image（需要100M-200M张图片）
Face detection（检测人脸）、Preprocessing（尺度归一、灰度校正、每一张脸都进行一次仿射变换）
输入神经网络（进行特征提取）最终实现面部表示
再进行分类sklearn’s SVM(python中的一个库)
Triplet loss结构：一组三个图像：一个标准图像，一个正样本（与标准同一人），一个负样本（不同的人）
通过损失公式来调节整个网络,公式如下，思想将在文末介绍：
Resize（96*96）预处理采用简单2D仿射变换可规格化脸部、训练神经网络-低维面部表示（神经网络提取特征）
OpenFaceis trained with 500k images from combining the two largest labeled face recognition datasets forresearch.
e network provides an embedding on the unit
hypersphere and Euclidean distance represents similarity.
网络提供了一种嵌入式的超平面和欧氏距离来表示相似性。
逻辑流：
最后神经网络提取特征形成初始模型面部表示。如下图所示：
误差函数Triplet loss
最后，说一说基于度量学习的误差函数Triplet loss，其思想来源如下：
其中xai表示参考样本，xpi表示同类样本，xni表示异类样本，threshold表示特定阈值。该不等式可表示成下列形式：
该不等式本质上定义了同类样本和异类样本之间的距离关系，即：所有同类样本之间的距离+阈值threshold，要小于异类样本之间的距离。当距离关系不满足上述不等式时，我们可通过求解下列误差函数，通过反向传播算法来调节整个网络：
只有括号内公式的值大于0时，才计算误差。利用该公式可分别计算出xai，xpi和xni的梯度方向，并根据反向传播算法调节前面的网络。
在FaceNet中，作者利用该方法与Zeiler&Fergus以及GoogLeNet中提出的网络结构相结合，实现人脸识别，达到了很高的精度。
为了验证TripletLoss的有效性，我们在WebFace数据库上利用TripletLoss训练了另一种深度卷积网来实现人脸验证，WebFace中有该网络的结构描述。与FaceNet不同，我们并没有采用作者使用的semi-hard样本选取策略，而是直接扩大batch中样本的数量。得益于双Titan X显卡，BatchSize达到了540，较大的BatchSize能够保证求得的梯度方向与semi-hard策略所求得的梯度方向相类似。
在得到TripletLoss训练好的网络后，我们利用Joint-Bayesian方法对网络最后一层提取的特征进行学习，得到相似度估计模型。最终模型与DeepID在LFW测试集上的对比ROC曲线如下图所示：
