朱 梅，陈易萍，姚 毅，樊中奎，李 渤

(1.江西理工大学a.软件工程学院，江西 南昌 330013；b.应用科学学院，江西 赣州 341000；2.南昌市农业科学院，江西 南昌 330200)

近年来，卷积神经网络(CNN)在计算机视觉领域取得了巨大的成功。众多的视觉任务：图像分类、物体检测、人脸验证及识别都受益于CNN模型的分类能力，性能得到了很大的提高。当前使用基于CNN的模型的人脸识别在LFW数据集上的识别精度达到99%[1]，并在商业上得到了应用。

目前，多个CNN方法被用于人脸验证，Taigman[2]使用CNN模型提取人脸的特征向量，然后将这些特征向量输入到贝叶斯分类法及高斯分类法进行人脸验证，但这种方法在样本分布不均匀的情况下难以正确的分类。Y.Sun[3]采用人脸对齐及对人脸进行多分片的方法进行人脸特征的提取，提高了人脸验证的鲁棒性，但耗时较长。F.Schroff[4]提出了使用triplet loss来验证两个样本是否为同一实体克服了基于多分类网络只用于分类而不能用于验证的瓶颈，但是对于训练集中不存在的新实体无法进行验证并且需要手工确定分类的阈值。Chen.Jun Cheng[5]使用多任务的深度卷积网络模型进行识别和验证，多任务学习为提高人脸表示的泛化能力提供了一种有效的方法，然而基于多任务的神经网络的收敛性仍然是一个挑战，识别和验证的选择需要手工确定的，并且效果严重依赖训练集。

以往的方法取得了重要的发展，但仍有许多不足之处有待改进。首先，一些方法在CNN测试前需要进行人脸对齐或仿射变换等预处理，这会消耗大量的计算时间。……