科葩慧眼人脸识别解决方案充分应用人脸识别技术，将员工、业主、访客、非法入侵人员通过针对性的子系统进行有效地管理，不仅提高了管理效率，也真正实现了提前预防。

访客管理子系统精准控制访问权限

相较于传统的安全通行证，慧眼人脸识别系统下访客管理子系统的优点在于：不可窃取，无法借用和复制，就是说，脸部识别是无法被效仿的，在未来，人脸识别也会成为未来可靠的通行证。

科葩访客子系统主要有v预约、访客数据自动下发功能，针对不同地点的安保等级，物业还可以选择安保再确认、远程开门等功能，全程数字化管理，为访客、被访公司、物业三方提升效率，提升用户体验。

人脸通行子系统更准确高效

传统通行系统具有人卡不一、卡片丢失、卡片易被破解复制、信息准确率没有保障等问题，而慧眼人脸识别系统下的人脸通行子系统不仅可以解放双手、速度快捷地完成通行管理任务，还能够明确责任、准确防伪，保证本人通行、不可替代的1性。

动态布控子系统可事先预警

科葩慧眼人脸识别系统下的动态布控子系统能高速抓拍，同时采集比对15张人脸，主要有陌生人预警、VIP迎宾等功能。

出现安全问题，传统摄像头只能事后排查，而科葩动态布控子系统能做到陌生人预警，黑名单报警等功能，只要有非*人员或黑名单人员出现，后台即会发出预警，让安保人员能及时排查，防止安全事件发生。

VIP迎宾功能可以设置VIP名单，当重要宾客到访时，大屏幕上会弹出迎宾画面，为重要嘉宾带来尊贵的体验。

不得不承认，人脸识别技术比现有的基于ID入口系统更快、更强大、更安全。凭借其灵活的设计, 科葩慧眼人脸识别系统还为开发和整合更多的应用程序和服务提供了充足的空间，以满足您未来的安全访问和管理需求。

科葩专业人脸识别设备与应用解决方案提供商

科葩X-Face慧眼人脸识别，助力行业应用智能化变革落地！

---------------------------------------------------

基于Contrastive loss和Triplet loss的Metric Learning符合人的认知规律，在实际应用中也取得了不错的效果，但是它有非常致命的两个问题，使应用它们的时候犹如pain in ass. 模型需要很很很很很很很很很很很很很很长时间才能拟合(months mentioned in Facenet paper)，contrastive loss和triplet loss的训练样本都基于pair或者triplet的，可能的样本数是O(N2)或者O(N3)的，当训练集很大时，基本不可能遍历到所有可能的样本(或能提供足够梯度额的样本)，所以一般来说需要很长时间拟合。我在10000人，500,000张左右的亚洲数据集上花了近一个月才拟合。 模型好坏很依赖训练数据的sample方式，理想的sample方式不仅能提升算法后的性能，更能略微加快训练速度。 关于这两个问题也有很多学者进行了后续研究，下面的内容作为Metric Learning的延伸阅读，不会很详细。 2.1.4 Metric Learning延伸阅读 Deep Face Recognition[3] 为了加速triplet loss的训练，这篇文章先用传统的softmax训练人脸识别模型，因为classficiation信号的强监督特性，模型会很快拟合(通常小于2天，快的话几个小时)。之后移除顶层的classificiation layer，用triplet loss对模型进行特征层finetune，取得了不错的效果。此外这篇论文还发布了人脸数据集Vggface。 In Defense of the Triplet Loss for Person Re-Identification[4] 这篇文章提出了三个非常有意思的观点。 作者说实验中，平方后的欧几里得距离(Squared Euclidean Distance)表现不如开方后的真实欧几里得距离(Non-squared Euclidean Distance),直白的说就是把下图公式中的平方摘掉。 提出了soft-margin损失公式替代原始的triplet loss表达式。(3)引进了batch hard sampling。 引进了batch hard sampling。 在这里插入图片描述 Sampling Matters in Deep Embedding Learning[5] 这篇文章提出了两个有价值的点。(1)从导函数角度解释了为什么第2点中提到的non-suqared distance比squared-distance好，并在这个insight基础上提出了Margin Based Loss(本质还是triplet loss的variant,见下图,图片取自原文)。 (2)提出了distance weighted sampling。文章说Facenet中的semi-hard sampling，Deep Face Recognition[3]中的random hard和[4]中提到的batch hard都不能轻易取到会产生大梯度(大loss，即对模型训练有帮助的triplets)，然后从统计学的视角使用了distance weighted sampling method。