基於深度學習的人臉識別發展，已經基本趨於成熟，業界比較成熟的人臉1：n應用總結如下：
凡是基於識別的，總是離不開三個東西：資料，網路，以及loss。
資料方面，
目前的公開資料集中有主打類別數的ms_celeb_1m，有主打各種姿態角與年齡的vggface2；也有一些主打高質量的資料集，像webface，ms-20k。除了公開資料集之外，生成領域也有不錯的成果，例如基於三維人臉模型生成不同姿態角的人臉，利用gan生成不同人臉角度或者屬性的（stargan，tpgan）。
網路結構方面，
從最開始的淺層網路lightcnn到後面的resnet，inception-resnet，resnext以、senet以及mobilenet，都是針對識別而設計的網路，而並非針對人臉識別設計的網路，所以一些網路在人臉識別裡帶來的提公升沒有imagenet那麼明顯。
由於人臉識別相對於一般的識別問題，存在人臉對比這樣乙個需求，這就將人臉識別的主要方向變成了metric learning問題而並非簡簡單單的分類問題。而近幾年學術上的發展也基本是圍繞loss function展開，除了像google，baidu這些擁有海量人臉資料的**，focus點基本都在乙個問題上：如何在有限的資料集上得到更高的精度。
loss function,
如果光看loss function，從softmax，contrastive loss，triplet loss，center loss，normface，large margin loss ， asoftmax loss , coco loss，以及今年的am，aam,insightface。
這些在聚類上大致上可以分為下面兩個類：
1.單純聚類：contrasitve loss,center loss,normface, coco loss
2.加margin聚類：triplet loss,large margin loss,asoftmax loss,am,aam,insightface
在距離度量上可以分為下面兩個類：
1.歐式距離：contrastive loss,center loss,normface,triplet loss
2.cosine距離/角度距離：large margin loss,asoftmax loss,coco loss,am,aam,insightface
可以看到，目前的主要方向，在從euler距離往cosine距離發展的同時中間出現了像normface，sphereface，coco loss這些進行了feature normalization,weight normalization操作的loss，但是這幾篇**，除了sphereface稍稍介紹了緣由之外，其餘的更像是乙個實驗性的結果，沒有辦法從理論上來說明。
移動通訊之蜂窩資料網路
移動通訊的種類有很多，如蜂窩移動通訊 衛星移動通訊 集群移動通訊 無繩 通訊 無線lan等。目前使用最多的是蜂窩移動通訊，它又稱為小區制移動通訊。這種通訊的特點是把整個的網路服務區劃分成許多小區 cell，也就是 蜂窩 每個小區設定乙個基站，負責本小區各個移動站的聯絡與控制。移動站的傳送或接收都必須...
網路資料流分析 四層網路結構
本文內容不全，分析其中包含部分結構內容資訊 資料鏈路層結構 ethernet ii 總位元組數為14byte 目的mac 6 byte 源mac 6 byte type 2 byte 對於ipv6 的type ox86dd ip 層 資料段的總大小為40bytes 其中，version 佔1 byt...
人臉識別之演算法理論 雙層異構深度神經網路
無論我們處理何種ai的問題，資料是根本，資料是ai之源。對於人臉的場景，乙個大規模人臉資訊庫可以定義為 對於一張人臉元素而言，具有以下內容的部分標籤或全資訊 人臉檢測資訊 人臉數量 人臉 座標 人臉空間資訊 俯仰角 旋轉角 偏航角 人臉關鍵點資訊 眼睛 鼻子 嘴 臉部 輪廓座標 人臉屬性資訊 年齡 ...