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较可靠的通行证。

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！

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

原始的cos(θ)被换成了phi(θ)，phi(θ)的较简单形式其实是cos(mθ)，之所以在原文中变得复杂，只是为了将定义域扩展到[0,2π]上，并保证在定义域内单调递减。而这个m便是增加的margin系数。当m=1时，phi(θ)等于cos(θ)，当m>1时，phi变小，损失变大。超参m控制着惩罚力度，m越大，惩罚力度越大。为计算方便，m一般设为整数。作者从数学上证明了，m>=3就能保证大类内距离小于小类间距离。实现的时候使用倍角公式。 另外：sphereface的训练很tricky，关于其训练细节，这篇文章并没有提到，而是参考了作者前一篇文章[10]。有关训练细节读者也去作者github上去寻找，issues里面有很多讨论。 2.2.2 Normface Sphereface效果很好，但是它不优美。在测试阶段，sphereface通过特征间的余弦值来衡量相似性，即以角度为相似性的度量。但在训练阶段，不知道读者有没有注意到，其实sphereface的损失函数并不是在直接优化特征与类中心的角度，而是优化特征与类中心的角度在乘上一个特征的长度。就是说，我在上文中关于sphereface损失函数优化方向的表述是不严谨的，其实优化的方向还有一部分是去增大特征的长度去了。我在Mnist数据集上做过实验，以下图片分别为m=1和m=4时的特征可视化，注意坐标的尺度，就能验证上述观点. 在这里插入图片描述 然而特征的长度在我们使用模型的时候是没有帮助的。这就造成了training跟test之间目标不*，按照Normface作者原话说就是存在一个gap。于是Normface的核心思想就出来了:为何在训练的时候不把特征也做归一化处理？相应的损失函数如下： 在这里插入图片描述 其中W是归一化的权重，f_i是归一化的特征,两个点积就是角度余弦值。参数s的引入是因为数学上的性质，保证了梯度大小的合理性，原文中有比较直观的解释，这里不是重点。如果没有s训练将无法收敛。关于s的设置，可以把它设为可学习的参数。但是作者更*把它当做超参数，其值根据分类类别多少有相应的*值，这部分原文appendix里有公式。文章中还有指出一点，Facenet中归一化特征的欧式距离，和余弦距离其实是统一的。还有关于权重与特征的归一化，这篇文章有很多有意思的探讨，有兴趣的读者建议阅读原文。