论文链接：A Discriminative Feature Learning Approach for Deep Face Recognition（需翻墙）
代码链接:https://github.com/ydwen/caffe-face
一个小实验
作者为了说明Softmax损失函数对特征分布的影响，在Minist上做了一个小的实验，使用了一个比LeNets更深的网络结构LeNets++（如下图）。
LeNets++把网络全连接层的数量调至2，这样就可以得到一个二维的特征输出，以此对全连接层的特征进行可视化
试验结果：
不同颜色代表不同类，从上图可以看出，Softmax函数学习到的特征仍然有很大的类内差距，为了解决这一问题，center loss应运而生。
center loss
Cyi表示属于yi类的特征的的中心
这样做是存在问题的：
理想情况下，我们每次更新权值都要遍历全部的训练集去获得每个类的中心，这是低效甚至不实际的
为了解决这个问题，作者使用了minbatch中的每个类的中心来更新，（虽然这样可能有些类的中心在一次迭代中无法更新到）：
总损失函数使用的是Softmax+center Loss联合损失：
求导：
算法流程类似一般的卷积神经网络，就是多了一个更新中心点的流程
效果：
人脸识别实验
参数：
三组对比实验：
model A：softmax loss
model B：softmax loss and contrastive loss
model C ：softmax loss and center loss
训练集 CASIA-WebFace , CACD2000, Celebrity+ 共0.7M
硬件 2个TitanX
batch size 为 256
learning rate 初始为0.1
A和C 28K次迭代收敛 用时14H
B 48K次迭代收敛 用时22H
测试用的比对算法：
比较简单，就是将每个图片以及它水平翻转的图片经过卷积神经网络，FC层的特征取出并连接成一个高维特征，经过PCA降维后，计算其余弦距离
*注：所谓’constrative loss’,参考: 人脸识别系列（三）：DeepID2
结果
LFW得分:·
MegaFace得分