此文由Face++團隊於2014年發表
論文鏈接：https://arxiv.org/abs/1403.2802
1.研究問題
使用深度神經網絡提取特徵，提出金字塔神經網絡。
2.此文工作
2.1 金字塔神經網絡
網絡結構（論文裏沒有講清楚具體細節，只給了大概結構）：
網絡爲Siamese network
輸入爲不同的圖像patch， 也就是不同的人臉部位
整個網絡由很多個level 的網絡組成
每個level 上的網絡由共享的層和不共享的層組成，共享的層由之前的level 訓練得到，此level 只訓練不共享的層
每個level 有多個神經網絡，它們對應於不同的patch 但是它們的第一層的參數是相同的
最後的特徵爲所有網絡輸出連接組成（訓練時），這樣的特徵爲多尺度特徵，也是過完全特徵，但是文中說明了過完全對結果有好處，而且特徵可以通過PCA 降維，降維後的特徵分類識別能力也很強（即使降到8維，正確率也能達到80%以上）
檢測時使用的特徵是最後一個level 的輸出
採用金字塔網絡的原因：
加快網絡訓練
獲得多尺度人臉特徵
網絡訓練的損失函數：
目標：使同一個人的距離相近，不同人的距離相遠。
網絡的訓練方法：
2.2 實驗結果
準確率（LFW）97.27%
訓練時間與準確率：（證明他們的方法可以加快訓練）
3總結
優點：定義了一個新的神經網絡的結構：金字塔神經網絡，並且人臉識別效果相較於傳統方法有巨大提高。文章最後總結：由於人臉是高度結構化的圖片，所以可以應用金字塔神經網絡，但是普通物體具有很大的可變性，不太好應用。
缺點：沒有說清楚網絡結構和參數，也沒有講清楚訓練數據集的來源與大小。
