降低類內方差，提升類間方差一直是人臉識別的熱點。論文將人臉識別和驗證損失同時監督網路的訓練，在LFW上獲得99.15%的驗證準確率。人臉識別是對輸入影象分類，驗證是判斷一對影象是否為同一個ID。

分類訊號具有豐富的ID相關資訊，或者類間方差，但分類訊號對於相同ID的約束較小，即不同的特徵可能對映到相同的ID上。這時當特徵推廣到新任務或者新ID時表現就不好。因此，論文增加了人臉驗證訊號的監督，要求同一個ID的特徵較近，不同的ID特徵較遠，降低類內方差。但只使用驗證訊號，在提取ID相關的特徵上又不夠好。因此，作者使用了兩個監督。

分類訊號的監督是最小化交叉熵損失，即，

驗證訊號是使用基於L2 norm的對比損失，讓相同的id更相似，即一對樣本的相似度作為損失的度量，

基於L1 norm的驗證監督為：

其中d為餘弦距離。

分類及驗證訊號通過超引數$\lambda$平衡，學習演算法如下所示：

將DeepID2特徵嵌入到人臉驗證框架中，包括人臉對齊，特徵提取，人臉驗證。使用SDM演算法檢測21個人臉關鍵點，並對齊。隨機裁切400個patch，通過200個深度網路提取400個160維的DeepID2特徵，為降低冗餘，使用前向貪心演算法選擇25個有效且互補的特徵，得到4000維的特徵使用PCA壓縮。之後基於提取到的特徵學習聯合貝葉斯模型。

**實驗結果**

在LFW資料集上測試人臉驗證效果，LFW包含5749個id共13233個人臉影象。在CelebFaces+資料集上訓練，DeepID2特徵由CelebFaces+A訓練，CelebFaces+B用來做特徵選擇及聯合貝葉斯模型的學習。

監督訊號權值的影響：

驗證損失權值分別為0，0.05，無窮大時類內、類間方差的變化。長尾說明方差變化大，對於分類來說可以幫助區分不同id，但較大的雷內方差代表噪聲，在驗證損失的權值取0.05時分類可以保持較大的方差，驗證的方差較小，這是驗證就相對容易。權值取無窮大也不行，缺少了類間變化。

訓練樣本的增加對驗證準確率提升有幫助：

使用不同數量patch的效果：

與其他方法對比的效果