面试被问到“如何训练一个基于机器学习的人脸解锁模型？”
你回答：“采集用户图像，训练一个二分类器。”
面试结束。
你错过了关键点：
- 二分类器训练难点：
- 需要在设备上训练，计算资源消耗大。
- 用户提供的都是“正类”（本人脸）样本，负类（非本人脸）从哪来？不能指望用户找志愿者。
- 设备多人使用时，新增用户数据会覆盖旧数据，模型可能遗忘之前的人脸。
这套方案很糟糕！
---
更理想的方案：Siamese网络 + 对比学习（Contrastive Learning）
核心思想：
- 设计一个网络，将任意两张人脸映射到同一个128维向量空间。
- 计算两向量间距离：
- 距离小 → 两张脸是同一个人。
- 距离大 → 不同人。
训练流程：
- 构建人脸对数据集，标注“同人”或“异人”。
- 网络分别生成两张图像的向量。
- 通过对比损失函数（Contrastive Loss）优化。
---
系统优势：
- 无需设备端实时训练，只需生成参考向量存储。
- 多用户支持，新增用户只需新增对应向量。
- 解锁时，将实时采集的人脸向量与所有参考向量比对。
---
进阶思考：相似人脸与安全性
- 采用ArcFace、Triplet Loss等高级损失，增强对细节区分能力。
- 设置个性化阈值，避免误解锁。
- 结合深度传感器、活体检测（眨眼、短视频帧）防止照片欺骗。
- 多帧验证，保证解锁的鲁棒性。
- 极端情况下使用多因素认证（PIN码等）。
---
其他讨论
- 联邦学习不适合此场景，已有丰富人脸数据集，且避免设备端复杂训练。
- CNN是基础，嵌入层输出高维特征向量。
- 最新人脸识别趋势偏向超球面损失函数，提升泛化能力。
---
这套基于Siamese网络和对比学习的设计，兼顾了实用性与安全性，是构建人脸解锁系统的理想方案。
---
原推文链接：x.com/_avichawla/status/1975086558475854114
