1 .解决什么问题？ 主要解决以下两类分类问题。
第一，分类数少，每个种类的数据量多。 例如ImageNet、VOC等。 这样的分类问题，只要事先知道所有的类，就可以用神经网络和SVM来解决。 二是分类数量大(或无法确认具体数量)，每类数据量少，如人脸识别、人脸验证任务等。 2 .文章的创新点解决了以上两个问题，本文提出了以下解决方法。
提出了将输入映射到一个特征向量，使用这两个向量之间的“距离”(L1 Norm )来表示输入之间的差异(图像的意义上的差异)的想法。
根据上述思路设计了一款能干的裙子Network。 必须一次输入两个样本作为一个样本对来计算损失函数。
1 )使用的softmax只需输入一个示例。
2 )必须为FaceNet的三重丢失输入三个示例。
为了训练提出了Contrastive Loss。
3 .网络结构
功能强大的裙子Network有两个结构相同且共享权重的子网。 分别接收两个输入X1X1和X2X2，将其转换成矢量GW(x1 )和GW(x1 )，通过某种距离测量方法计算两个输出矢量的距离Ew。
4. Contrastive Loss损失函数在双子神经网络(mmdhb network )中采用能有效处理双子神经网络中paired data关系的损失函数。 contrastive loss的表达式如下：
其中
表示两个样本特征X 1 X_1 X1和X 2 X_2 X2的规则的大神距离(二范数) p表示每个样本的特征维数，y表示两个样本是否匹配的标签，Y=1表示两个样本是否相似或匹配
上述contrastive loss公式表明，这种损耗函数能较好地反映目标样本的匹配程度，也可以很好地用于特征提取模型的训练。
如果Y=1，也就是说如果样本相似，则会保留损失函数
也就是说，在样本不相似的情况下，其特征空间的欧式距离反而越小损失值就越大，这也正好象征着我们的要求。 如果Y=0，即样本不相似，则损失函数为
也就是说，在样本不相似的情况下，其特征空间的欧式距离反而越小损失值就越大，这也正好象征着我们的要求。 [请注意，您在此处设置了阈值margin。 这意味着如果只考虑不相似的特征，欧式距离在0到margin之间，则如果距离超过margin，则将该loss视为0。 (也就是说，不相似的特征离得很远，其loss应该很低。 如果相似的特征相反相距很远，则需要增加loss来更新对样本的拟合度。)
5 .最后