FaceNet for dummies

Question

FaceNet算法（在this文章中描述）使用卷积神经网络来表示128维欧氏空间中的图像。

在阅读我不明白的文章时：

1. 损失函数如何影响卷积网络（在正常网络中，为了尽量减少权重稍微改变的损失 - 反向传播 - 所以，在这种情况下会发生什么？）



1. 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。 当我检查我的图像是否相对于锚点的硬度 - 我相信之前我发送一个由网络处理的三元组，对吧。

Answer 1

以下是一些可能澄清您疑虑的答案：

1. 即使在这里，权重也会被调整以最大限度地减少损失，它只是损失项很少复杂。损失有两个部分（在等式中用+分隔），first part是一个人的图像与同一个人的不同图像相比较。 second part是与不同人的图像相比较的人的图像。我们希望first part损失小于second part损失，损失方程实质上捕获了这一点。所以在这里你基本上想要调整权重，使same person error更少，different person error更多。

2. 损失术语涉及三个图像：有问题的图像（锚点）：x_a，其正对：x_p及其负对：x_n。 hardest positive x_a是正图像，与其他正图像相比，误差最大。 hardest negative的{​​{1}}是与其他人最近的图像。因此，您希望使最远的正面相互靠近，并将最近的底部推得更远。这是在损失方程中捕获的。

3. x_a在培训期间（在线）计算其锚点。在每个Facenet（一组40张图片）中，他们选择minibatch到锚点，而不是选择hardest negative图像，他们选择批次中的所有锚点正对。

如果您希望实施hardest positive，最好考虑实施face recognition的{​​{3}}，这更容易培训，并且表现更好。