大家好，我是顺亿，今天咱们来聊聊FaceNet，这是Google推出的一款人脸识别技术，在CV领域可是掀起了一股热潮。这篇文章，我会用通俗易懂的方式，带你一起了解FaceNet的工作原理和核心技术。
FaceNet的核心要点
FaceNet与传统的深度学习人脸识别方法不同，它直接从图像到欧式空间进行编码，然后基于这个编码进行人脸识别、验证和聚类。下面是FaceNet的几个关键点：
- 去掉了最后的softmax层，使用元组计算距离的方式进行模型训练。
- 图像表示非常紧致，128位就足够了。
- 元组的选择非常重要，选得好可以快速收敛。
网络架构
FaceNet的网络架构与普通的卷积神经网络相似，去掉softmax层后，经过L2归一化，得到特征表示，然后基于这个特征表示计算三元组损失。
目标函数
FaceNet的目标函数是优化不满足条件的三元组，对于满足条件的三元组则pass。三元组的选择非常重要，论文中提出了两种策略：每N步线下在数据的子集上生成一些triplet，以及在线生成triplet。
网络模型
论文使用了两种卷积模型：Zeiler&Fergus架构和GoogleNet式的Inception模型。基于Inception模型，还形成了两个小模型NNS1和NNS2，可以在手机上运行。
数据和评测
Google使用的数据量非常大，训练数据有100M-200M张图像，分布在8M个人上。在LFW和youtube Faces DB上也进行了评测。
总结
FaceNet的三元组目标函数并不是首创，但它的性能确实优于softmax。FaceNet的优势在于直接优化距离，特征表示向量小，不需要对齐，直接计算距离即可。
好了，今天的分享就到这里，希望对大家有所帮助。我是顺亿，更多内容欢迎关注趣航编程网（www.vqhf.com）。