本文主要是介绍【汇总贴】人脸识别相关论文的优秀解读博客汇总，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
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：
- 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
- 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？
这篇关于【汇总贴】人脸识别相关论文的优秀解读博客汇总的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
