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！

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

在光照较差，遮挡，形变（大笑），侧脸等诸多条件下，神经网络很难提取出与“标准脸”相似的特征，异常脸在特征空间里落到错误的位置，导致识别和验证失败。这是现代人脸识别系统的局限，一定程度上也是深度学习（深度神经网络）的局限。面对这种局限，通常采取三种应对措施，使人脸识别系统能正常运作： 工程角度：研发质量模型，对检测到人脸质量进行评价，质量较差则不识别/检验。 应用角度：施加场景限制，比如刷脸解锁，人脸闸机，会场签到时，都要求用户在良好的光照条件下正对摄像头，以避免采集到质量差的图片。 算法角度：提升人脸识别模型性能，在训练数据里添加更多复杂场景和质量的照片，以增强模型的抗*力。 总而言之，人脸识别/深度学习还远未达到人们想象的那般智能。希望各位读者看完*节后，有能力分辨社交网络，自媒体上的信息真伪，更理性的看待人工智能，给它时间和包容，慢慢成长。 Preview： 下一节将通过论文和开源算法跟进人脸识别领域的前沿研究。仅适合深度学习从业人员继续阅读。 2、第二章 这部分将从两个思路跟进现代人脸识别算法: 思路1. Metric Learning: Contrastive Loss, Triplet loss及相关sampling method。 思路2. Margin Based Classification: 包含Softmax with Center loss, Sphereface, NormFace, AM-softmax(CosFace)和ArcFace. 关键字： DeepID2, Facenet, Center loss, Triplet loss, Contrastive Loss, Sampling method, Sphereface, Additive Margin Softmax(CosFace), ArcFace. 2.1 Metric Learning 2.1.1 Contrastive Loss 基于深度学习的人脸识别领域先应用metric learning思想之一的便是DeepID2[2]了，同Chapter 1的思想，“特征”在这篇文章中被称为“DeepID Vector”。DeepID2在同一个网络同时训练verification和classification(即有两个监督信号)。其中verification loss便在特征层引入了Contrastive Loss。Contrastive Loss本质上是使同一个人的照片在特征空间距离足够近，不同人在特征空间里相距足够远直到超过某个阈值m(听起来和triplet loss很像…)。基于这样的insight，DeepID2在训练的时候不是以一张图片为单位了，而是以Image pair为单位，每次输入两张图片，为同一人则verification label为1，不是同一人则label为-1，参数更新思路见下面公式