本文有以下幾個亮點：一是利用DNN直接學習到從原始圖片到歐氏距離空間的映射，從而使得在歐式空間裏的距離的度量直接關聯着人臉相似度；二是引入triplet損失函數，使得模型的學習能力更高效。
本文的模型示意圖如上，輸入層後緊接着DNN，然後再運用L2正則化避免模型的過擬合，最後接上triplet損失函數層，以反映在人臉驗證、識別和聚類中所想要的結果。這裏的關鍵就是triplet損失函數的確定，我們想要的結果就是，找到嵌入函數f(x)，使得所有人臉之間的距離較小，但不同配對人臉間的距離較大。
首先我們來看看本文中用到的網絡模型：ZF-Net和GoogleNet。
在ZF-Net可以看到，在前幾個卷積層中加入了1*1*d的卷積層， 有效的減小了參數的個數。但和GoogleNet相比，參數量還是很大。爲了使得模型可以嵌入到移動設備中，本文中也對模型進行了裁剪，NNS1即只需要26M的參數和220M的浮點運算開銷，NNS2則只有4.3M的參數和20M的浮點運算量，NN3和NN2的模型一樣，但輸入圖片大小隻有160*160，而NN4則是96*96，這樣極大幅度的降低了對CPU的需求。
上圖給出了在精確率和運算量上這四個模型之間的比較。可以看到，模型越複雜精確率越高，其所需的運算開銷也會隨之增大。
同時需要注意的是，NN2和NN1達到的精確率相當，但NN2所用的參數卻大大減少，不過運算量卻又沒降下來。這是一個值得思考的地方。
接下來看看triplet損失函數的確定。嵌入函數f(x)將輸入圖片x嵌入到一個d維的歐式空間，同時對嵌入引入限制，即
需要注意的是，若生成所有可能的triplet，會導致很多的triplet滿足條件，而這些triplet對訓練沒有任何益處且會導致收斂變慢，所以選擇合適的triplet很關鍵。
爲了加速收斂過程，選擇那些不滿足條件的triplet至爲關鍵，即給定
1）在數據子集上利用網絡最近的檢測點計算argmin和argmax，並且每n步線下生成triplets。
2）通過從小批量樣本中選擇hard positive/negtive樣例來生成triplets。
同時本文也對該網絡對圖片質量、嵌入維度的大小以及訓練集大小的敏感性做了分析。
實踐發現該模型對圖片質量的高低有着較好的魯棒性，即使JPEG的質量降低20倍，性能仍然能保持。如下圖所示：
對於嵌入維度而言，維度越大性能應該越好，但其需要的數據集也會變大，所以此處的衡量不能一概而論。
而增大訓練集卻是可以提高模型的性能，但因爲網絡的學習能力有限，一旦數據集達到某一極限時性能也開始達到瓶頸。
本文的triplets實現是個值得深入思考的地方。