科葩慧眼人臉識別解決方案充分應用人臉識別技術，將員工、業主、訪客、非法入侵人員通過針對性的子系統進行有效地管理，不僅提高了管理效率，也真正實現了提前預防。
訪客管理子系統精準控制訪問權限
相較于傳統的安全通行證，慧眼人臉識別系統下訪客管理子系統的優點在于：不可竊取，無法借用和復制，就是說，臉部識別是無法被效仿的，在未來，人臉識別也會成為未來可靠的通行證。
科葩訪客子系統主要有v預約、訪客數據自動下發功能，針對不同地點的安保等級，物業還可以選擇安保再確認、遠程開門等功能，全程數字化管理，為訪客、被訪公司、物業三方提升效率，提升用戶體驗。
人臉通行子系統更準確高效
傳統通行系統具有人卡不一、卡片丟失、卡片易被破解復制、信息準確率沒有保障等問題，而慧眼人臉識別系統下的人臉通行子系統不僅可以解放雙手、速度快捷地完成通行管理任務，還能夠明確責任、準確防偽，保證本人通行、不可替代的1性。
動態布控子系統可事先預警
科葩慧眼人臉識別系統下的動態布控子系統能高速抓拍，同時采集比對15張人臉，主要有陌生人預警、VIP迎賓等功能。
出現安全問題，傳統攝像頭只能事后排查，而科葩動態布控子系統能做到陌生人預警，黑名單報警等功能，只要有非*人員或黑名單人員出現，后臺即會發出預警，讓安保人員能及時排查，防止安全事件發生。
VIP迎賓功能可以設置VIP名單，當重要賓客到訪時，大屏幕上會彈出迎賓畫面，為重要嘉賓帶來尊貴的體驗。
不得不承認，人臉識別技術比現有的基于ID入口系統更快、更強大、更安全。憑借其靈活的設計, 科葩慧眼人臉識別系統還為開發和整合更多的應用程序和服務提供了充足的空間，以滿足您未來的安全訪問和管理需求。
科葩專業人臉識別設備與應用解決方案提供商
科葩X-Face慧眼人臉識別，助力行業應用智能化變革落地！
---------------------------------------------------
基于Contrastive loss和Triplet loss的Metric Learning符合人的認知規律，在實際應用中也取得了不錯的效果，但是它有非常致命的兩個問題，使應用它們的時候猶如pain in ass. 模型需要很很很很很很很很很很很很很很長時間才能擬合(months mentioned in Facenet paper)，contrastive loss和triplet loss的訓練樣本都基于pair或者triplet的，可能的樣本數是O(N2)或者O(N3)的，當訓練集很大時，基本不可能遍歷到所有可能的樣本(或能提供足夠梯度額的樣本)，所以一般來說需要很長時間擬合。我在10000人，500,000張左右的亞洲數據集上花了近一個月才擬合。 模型好壞很依賴訓練數據的sample方式，理想的sample方式不僅能提升算法后的性能，更能略微加快訓練速度。 關于這兩個問題也有很多學者進行了后續研究，下面的內容作為Metric Learning的延伸閱讀，不會很詳細。 2.1.4 Metric Learning延伸閱讀 Deep Face Recognition[3] 為了加速triplet loss的訓練，這篇文章先用傳統的softmax訓練人臉識別模型，因為classficiation信號的強監督特性，模型會很快擬合(通常小于2天，快的話幾個小時)。之后移除頂層的classificiation layer，用triplet loss對模型進行特征層finetune，取得了不錯的效果。此外這篇論文還發布了人臉數據集Vggface。 In Defense of the Triplet Loss for Person Re-Identification[4] 這篇文章提出了三個非常有意思的觀點。 作者說實驗中，平方后的歐幾里得距離(Squared Euclidean Distance)表現不如開方后的真實歐幾里得距離(Non-squared Euclidean Distance),直白的說就是把下圖公式中的平方摘掉。 提出了soft-margin損失公式替代原始的triplet loss表達式。(3)引進了batch hard sampling。 引進了batch hard sampling。 在這里插入圖片描述 Sampling Matters in Deep Embedding Learning[5] 這篇文章提出了兩個有價值的點。(1)從導函數角度解釋了為什么第2點中提到的non-suqared distance比squared-distance好，并在這個insight基礎上提出了Margin Based Loss(本質還是triplet loss的variant,見下圖,圖片取自原文)。 (2)提出了distance weighted sampling。文章說Facenet中的semi-hard sampling，Deep Face Recognition[3]中的random hard和[4]中提到的batch hard都不能輕易取到會產生大梯度(大loss，即對模型訓練有幫助的triplets)，然后從統計學的視角使用了distance weighted sampling method。
