【彙總貼】人臉識別相關論文的優秀解讀部落格彙總

													<span class="tags-box artic-tag-box">
							<span class="label">標籤：</span>
															<a data-track-click="{&quot;mod&quot;:&quot;popu_626&quot;,&quot;con&quot;:&quot;人臉識別&quot;}" class="tag-link" href="http://so.csdn.net/so/search/s.do?q=人臉識別&amp;t=blog" target="_blank">人臉識別																</a><a data-track-click="{&quot;mod&quot;:&quot;popu_626&quot;,&quot;con&quot;:&quot;計算機視覺&quot;}" class="tag-link" href="http://so.csdn.net/so/search/s.do?q=計算機視覺&amp;t=blog" target="_blank">計算機視覺																</a><a data-track-click="{&quot;mod&quot;:&quot;popu_626&quot;,&quot;con&quot;:&quot;深度學習&quot;}" class="tag-link" href="http://so.csdn.net/so/search/s.do?q=深度學習&amp;t=blog" target="_blank">深度學習																</a>
						<span class="article_info_click">更多</span></span>
																				<div class="tags-box space">
							<span class="label">個人分類：</span>
															<a class="tag-link" href="https://blog.csdn.net/u013044310/article/category/7586591" target="_blank">人工智慧																</a><a class="tag-link" href="https://blog.csdn.net/u013044310/article/category/7586593" target="_blank">深度學習																</a>
						</div>
																							</div>
			<div class="operating">
													</div>
		</div>
	</div>
</div>
<article class="baidu_pl">
	<div id="article_content" class="article_content clearfix csdn-tracking-statistics" data-pid="blog" data-mod="popu_307" data-dsm="post">
							            <div id="content_views" class="markdown_views prism-dracula">
						<!-- flowchart 箭頭圖示 勿刪 -->
						<svg xmlns="http://www.w3.org/2000/svg" style="display: none;"><path stroke-linecap="round" d="M5,0 0,2.5 5,5z" id="raphael-marker-block" style="-webkit-tap-highlight-color: rgba(0, 0, 0, 0);"></path></svg>
						<h2 id="人臉識別相關論文的優秀解讀部落格彙總"><a name="t0"></a>人臉識別相關論文的優秀解讀部落格彙總</h2>
 

為了便於以後查閱，將看到的人臉識別相關論文的解讀部落格做一個彙總。

0、綜述：

1. 如何走近深度學習人臉識別？你需要這篇超長綜述 | 附開原始碼
2. 關於度量學習的解釋

一、FaceNet

論文地址：https://arxiv.org/abs/1503.03832

參考部落格：
1. 史上最全的FaceNet原始碼使用方法和講解（附預訓練模型下載）
2. facenet 程式碼閱讀筆記：如何訓練基於triplet-loss的模型
2. 谷歌人臉識別系統FaceNet解析
3. FaceNet—深度學習與人臉識別的二次結合
4.

二、對於損失函式的改進

1、Deep Face Recognition

針對 Triplet Loss訓練收斂緩慢的問題，提出了先用傳統的 softmax粗訓練人臉識別模型，再用Triplet Loss進行細緻訓練。
論文地址：http://www.robots.ox.ac.uk/~vgg/software/vgg_face/

參考部落格：
人臉識別：Deep Face Recognition論文閱讀

2、 In Defense of the Triplet Loss for Person Re-Identification

主要貢獻是：① 設計了新的Triplet Loss（去掉了平方項），並和其它變種進行了對比；② 引進了 Batch Hard Sampling
論文地址：https://arxiv.org/abs/1703.07737

github地址：https://github.com/VisualComputingInstitute/triplet-reid

參考部落格：
1. Re-ID with Triplet Loss
2. 【論文筆記】In Defense of the Triplet Loss for Person Re-Identification

3、Sampling matters in deep embedding learning

主要貢獻：① 改進了樣本選取的方法（Distance Weighted Sampling Method）；② 提出了一種triplet loss的變體—— Margin Based Loss。據說這兩個都比上一篇論文中的效果更好，但是沒有親測。

特別需要說明的是，這篇論文裡回顧了contrastive loss,triplet loss（facenet論文）的損失函式和sample的選取方式，並說明了其相應的優缺點，可以說集合了這兩篇論文的精華思想。看一篇，頂三篇。

論文地址：https://arxiv.org/abs/1706.07567

參考部落格：
1. 深度學習新的取樣方式和損失函式論文筆記-知乎
2. 知乎-如何評價Sampling Matters in Deep Embedding Learning？