Facenet是谷歌研发的人脸识别系统，该系统是基于百万级人脸数据训练的深度卷积神经网络，可以将人脸图像embedding（映射）成128维度的特征向量。以该向量为特征，采用knn或者svm等机器学习方法实现人脸识别。

CASIA-WebFace数据集预训练的Facenet模型，LFW测试集准确率为0.98模型。

 

1.对图像质量（像素值）不敏感，即使80*80像素的图片生成的结果也可以接受。

2. embedding（映射）成128维度的特征向量。inception_resnet_v2

embedding_size 512

 

流程1.用户注册，提取多次。

      2. 比对：多底库对比。

faceNet不采用landmark直接用CNN来学对齐的那套（face detection->feature extraction）

其他走face detection->face alignment ->feature extraction。

• FaceNet并没有像DeepFace和DeepID那样需要对齐。
• FaceNet得到最终表示后不用像DeepID那样需要再训练模型进行分类，直接计算距离就好了，简单而有效。

增加block + 增加 embedding   以及 fullyconnect ？

虹软？