本文主要內容有二：
1）從零開始構建乙個人臉識別資料庫，一共 2.6m images, over 2.6k people，構建過 程主要是程式實現的，少量人工參與。
2）通過對比各種cnn網路，提出了乙個簡單有效的cnn網路，在各種公開的人臉識別資料庫上得到很好的效果。
構建過程主要分為5個階段
1階段在imdb**上獲得名人名字的名單列表，這個和casia-webface有點像
2階段是通過谷歌來擴大每個人的量
3階段使用乙個fisher vector faces descriptor 與svm清除一些錯誤的
4階段清除一些一樣的**，因為從不同**上爬下來的**，難免會有所重複。
5階段再人工清除一些**
各階段的統計資料如下：
比較花時間的是2階段和5階段，其餘都很快。
這是與其他資料集的比較：
基於vgg自己的資料集，構建了如下的cnn,用來進行人臉識別
看的描述，作者說這是vggnet中的a結構，但是參考vggnet**中的結構表（如下），博主認為卻是d結構，不知道是不是作者寫錯了，但是影響不大。
使用softmax在vggdataset上預訓練。
在進行驗證時，在最後一層輸出的2622維的特徵（即對應每一類的概率）還會被用來以tripletloss做乙個度量學習
度量學習是乙個全連層，使用目標資料集（lfw）的訓練集部分訓練。
通過訓練好的度量學習層，獲得人臉的1024維特徵表達，然後直接以歐式距離來作為人臉是否為同乙個臉的判定依據。
此表的訓練資料data有d和f兩種，分別對應的是構建資料集時3階段的資料（清理前）和5階段的資料（清理後）
通過這裡可以發現，使用更大但是有更多錯誤的資料集對網路能力有提高作用，原因一是因為資料量更大，二是因為小的資料集可能被清除了一些hard positive的資料，使得網路無法從這些資料裡受益。
八 OpenCV人臉識別 07 實時人臉識別
攝像頭與人臉資料採集 videocapture類使用 使用haar 級聯檢測器實現人臉檢測 對檢測的人臉資料寫入檔案儲存 刪除錯誤資料與資料對齊 採集資料注意點 資料訓練與測試 基於eigenface演算法實現資料訓練與測試 實時人臉識別 檢測人臉 識別人臉 實時顯示人臉識別結果 整體流程 人臉資料...
人臉識別系列（十五） COCO Loss
這篇文章其實和normface原理完全相同，只是推理的切入點稍微有點不同。兩篇 發表的時間也相近。因此博主就不再詳細寫分析了，如果有看得不太懂的可以參考我的normface閱讀筆記。人臉識別系列 十四 normface 值得一提的是，這篇文章有乙個亮點就是在lfw上刷到了99.86 的成績，十分驚豔...
人臉識別之人臉對齊（八） LBF演算法
整體來看，其實 esr是基礎版本的形狀回歸，ert將回歸樹修改為gbdt，由原始的直接回歸形狀，改進為回歸形狀殘差，而lbf，是加速特徵提取，由原來的畫素差分特徵池，改為隨機選擇點。基於lbf方法的人臉對齊，出自face alignment at3000 fps via regressing loc...