FaceNet 算法（在this 文章中描述）使用卷积神经网络在 128 维欧几里得空间中表示图像。
看文章的时候没看懂：
如何选择三胞胎？
2.1 。我怎么知道负面形象很难
2.2 。为什么我使用损失函数来确定负像
2.3 。 什么时候我会检查我的图像相对于锚点的硬度 - 我相信是在之前我发送一个三元组以供网络处理，对吧。
【问题讨论】：
标签： machine-learning deep-learning conv-neural-network
这里有一些答案可能会澄清你的疑惑：
即使在这里调整权重以最小化损失，它只是损失项有点复杂。损失有两部分（等式中用 + 分隔），first part 是一个人的图像与同一个人的不同图像相比。 second part 是与另一个人的图像相比的人的图像。我们希望first part 损失小于second part 损失，损失方程本质上就是捕捉到了这一点。所以在这里你基本上想调整权重，使same person error 更少，different person error 更多。
损失项涉及三个图像：有问题的图像（锚）：x_a，它的正对：x_p 和它的负对：x_n。 x_a 的 hardest positive 是与其余正图像相比误差最大的正图像。 x_a 的 hardest negative 是最接近不同人的图像。因此，您希望使最远的积极因素彼此靠近，并将最近的消极因素推得更远。这在损失方程中得到体现。
Facenet 在训练期间计算其锚点（在线）。在每个 minibatch（这是一组 40 张图像）中，他们选择 hardest negative 到锚点，而不是选择 hardest positive 图像，而是选择批次中的所有锚点正对。
如果您希望实现face recognition，您最好考虑这个paper，它实现了centre loss，它更容易训练并且表现得更好。
【讨论】：
hardest negative。这就是为什么它被称为在线培训。
f(x) 并形成字典。为了测试一张新面孔，获取嵌入并找到所有字典项的 L2 损失并选择最小值。如果标签相同，则匹配。