从1M个名人中，依据他们的受欢送水平，选择100K个。然后，应用搜索引擎，给100K团体，每人搜大约100张图片。共100K╳100=10M个图片。测试集包括1000个名人，这1000个名人来自于1M个明星中随机挑选。而且经过微软标注。每个名人大约有20张图片，这些图片都是网上找不到的。MSR IRC是目前世界上规模最大、程度最高的图像辨认赛事之一，MSRA（微软亚洲研讨院）图像剖析、大数据发掘研讨组组长张磊发起，每年活期举行。3. 孪生网络架构孪生网络（Siamese network）是连体的神经网络，孪生架构（Siamese Architecture）是一种框架，神经网络的“连体”是经过共享权值来完成的。Siamese指两个暹罗连体人胞胎。孪生神经网络用于处置两个输出"比拟相似"的状况，如计算两个句子或许词汇的语义类似度。左右两个神经网络的权重是如出一辙的，甚至代码完成时可以是同一个网络，不必完成另外一个，由于权值都一样，两边可以是lstm或许cnn。假孪生神经网络（pseudo-siamese network）：假如左右两边不共享权值，而是两个不同的神经网络，就是，。它两边可以是不同的神经网络（如一个是lstm，一个是cnn），也可以是相反类型的神经网络。假孪生神经网络适用于处置两个输出"有一定差异"的状况，如验证标题与注释的描绘能否分歧（标题和注释长度差异很大），或许文字能否描绘了一幅图片（一个是图片，一个是文字）。孪生神经网络的用处是权衡两个输出的类似水平。将两个输出feed进入左右两个神经网络，这两个神经网络辨别将输出映射到新的空间中的向量，在新的空间中判别Cosine间隔、exp function、欧式间隔等就能失掉两个输出的类似度了。经过Loss的训练来使类似图像的类似度D变小，不类似的图像类似度D变大。传统的siamese network运用Contrastive Loss（比照损失）。当然损失函数还有其他选择，Softmax当然是一种好的选择，但不一定是最优选择，即便是在分类成绩中。下图是用了比照损失：爲使邻居的输入相隔得很远，按平方领取爲使非邻居的输入小于边沿m，按平方领取。D大于m时取0，不类似的D越大。在nlp和cv范畴都有很多使用：1993年Yann LeCun就把Siamese神经网络用在了签名验证上，即验证支票上的签名与银行预留签名能否分歧。NIPS 1993《Signature Verification using a ‘Siamese’ Time Delay Neural Network》2010年Hinton用来做人脸验证，效果很棒，行将两团体脸feed进卷积神经网络，输入same or different，这里属于二分类。ICML 2010《Rectified Linear Units Improve Restricted Boltzmann Machines》手写体辨认基于Siamese网络的视觉跟踪算法也曾经成爲热点，2016《Fully-convolutional siamese networks for object tracking》词汇的语义类似度剖析，QA中question和answer的婚配kaggle上Quora的question pair的竞赛，即判别两个发问是不是同一成绩，冠军队伍用的就是n多特征+Siamese network参考：参考14. FR的损失函数标签预测（最初一个全衔接的层）就像一个线性分类器，深度学习的特征需求容易别离（separable） 。此时softmax损失可以间接处理分类成绩。但关于人脸辨认义务，深度学习的特征不只需求separable，还需求判别性（discriminative） 。 可以泛化从而辨认没有标签预测的未见类别。基于欧几里得间隔的损失函数比照损失 (Contrastive Loss)、三元组损失 (Triplet Loss)、中心损失 (Center Loss)基于Angular Margin的损失函数L-Softmax Loss、A-Softmax Loss、COCO Loss、CosFace Loss、ArcFace Loss详细解析见前面章节。扩展参考：人脸辨认行业报告转载请注明：https://zhuanlan.zhihu.com/FaceRec请在我的知乎中检查其他专栏《OpenCV图像处置教程》《CS231n深度视觉笔记》《CNN模型合集》《人脸辨认合集》《目的检测合集》