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！

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

2,3点中提到的方式在试验中都应用过，直观感受是:soft-margin和margin based loss都比原始的triplet loss好用，但是mairgin based loss实验中更*。 distance weighted sampling method没有明显提升。 延伸阅读中有提到大家感兴趣的论文，可参考reference查看原文。后，值得注意的是，triplet loss在行人重识别领域也取得了不错的效果，虽然很可能未来会被Margin Based Classfication打败。 2.2 Margin Based Classification 顾名思义，Margin Based Classficiation不像在feature层直接计算损失的Metric Learning那样，对feature加直观的强限制，而是依然把人脸识别当classfication任务进行训练，通过对softmax公式的改造，间接实现了对feature层施加margin的限制，使网络后得到的feature更discriminative。这部分先从Sphereface[6]说起。 2.2.1 Sphereface 先跟随作者的insight理下思路(图截自原文)： 在这里插入图片描述 图(a)是用原始softmax损失函数训练出来的特征，图(b)是归一化的特征。不难发现在softmax的特征从角度上来看有latent分布。那么为何不直接去优化角度呢？如果把分类层的权重归一化，并且不考虑偏置的话，就得到了改进后的损失函数: 在这里插入图片描述 不难看出，对于特征x_i，该损失函数优化的方向是使得其向该类别y_i中心靠近，并且远离其他的类别中心。这个目标跟人脸识别目标是*的，小化类内距离并且大化类间距离。然而为了保证人脸比对的正确性，还要保证大类内距离还要小于小类间距离。上面的损失函数并不能保证这一点。所以作者引入了margin的思想，这跟triples loss里面引入margin alpha的思想是*的。那么作者是如何进一步改进上式，引入margin的呢? 上式红框中是样本特征与类中心的余弦值，我们的目标是缩小样本特征与类中心的角度，即增大这个值。换句话说，如果这个值越小，损失函数值越大，即我们对偏离优化目标的惩罚越大。即就能进一步的缩小类内距离和增大类间距离，达到我们的目标。基于这样的思想终的损失函数为如下: