【汇总贴】人脸识别相关论文的优秀解读博客汇总

人脸识别相关论文的优秀解读博客汇总

为了便于以后查阅，将看到的人脸识别相关论文的解读博客做一个汇总。

0、综述：

1. 如何走近深度学习人脸识别？你需要这篇超长综述 | 附开源代码
2. 关于度量学习的解释

一、FaceNet

论文地址：https://arxiv.org/abs/1503.03832

参考博客：
1. 史上最全的FaceNet源码使用方法和讲解（附预训练模型下载）
2. facenet 代码阅读笔记：如何训练基于triplet-loss的模型
2. 谷歌人脸识别系统FaceNet解析
3. FaceNet—深度学习与人脸识别的二次结合
4. 【人脸识别】FaceNet- A Unified Embedding for Face Recognition and Clustering

二、对于损失函数的改进

1、Deep Face Recognition

针对 Triplet Loss训练收敛缓慢的问题，提出了先用传统的 softmax粗训练人脸识别模型，再用Triplet Loss进行细致训练。
论文地址：http://www.robots.ox.ac.uk/~vgg/software/vgg_face/

参考博客：
人脸识别：Deep Face Recognition论文阅读

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

主要贡献是：① 设计了新的Triplet Loss（去掉了平方项），并和其它变种进行了对比；② 引进了 Batch Hard Sampling
论文地址：https://arxiv.org/abs/1703.07737

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

参考博客：
1. Re-ID with Triplet Loss
2. 【论文笔记】In Defense of the Triplet Loss for Person Re-Identification

3、Sampling matters in deep embedding learning

主要贡献：① 改进了样本选取的方法（Distance Weighted Sampling Method）；② 提出了一种triplet loss的变体—— Margin Based Loss。据说这两个都比上一篇论文中的效果更好，但是没有亲测。

特别需要说明的是，这篇论文里回顾了contrastive loss,triplet loss（facenet论文）的损失函数和sample的选取方式，并说明了其相应的优缺点，可以说集合了这两篇论文的精华思想。看一篇，顶三篇。

论文地址：https://arxiv.org/abs/1706.07567

参考博客：
1. 深度学习新的采样方式和损失函数论文笔记-知乎
2. 知乎-如何评价Sampling Matters in Deep Embedding Learning？