Свое развитие сверточные нейронные сети получили в разработке 4 наиболее широко используемых моделях - DeepFace, FaceNet, OpenFace и VGGFace. 2.3.1 VGGFace Модель VGGFace разработана Visual geometry group (VGG) из Оксфордского университета. Это одна из самых популярных и широко используемых моделей распознавания лиц. Он состоит из 38 слоев и обучен на 2,6 метровых изображениях более чем 2600 особей. В общем, VGGFace содержит тринадцать сверточных слоев, каждый из которых имеет специальный набор гибридных параметров. Каждая группа сверточных слоев содержит максимальное количество слоев объединения, а также 15 выпрямленных линейных единиц (RELU). После этих слоев есть три полностью соединенных слоя, а именно FC6, FC7 и FC8. Первые два имеют 4096 каналов, в то время как FC8 который имеет 2622 канала, используются для классификации идентификационных данных. Последний слой — это классификатор, который представляет собой слой softmax для классификации изображения, к которому принадлежит отдельный класс лица. 2.3.2 FaceNet FaceNet был представлен исследователями Google путем интеграции машинного обучения в процесс распознавания лиц. FaceNet непосредственно обучает лицо, используя евклидово пространство, где расстояние состоит из сходства между моделями лица. FaceNet использует особую функцию потерь называемую TripletLoss. Она минимизирует дистанцию между якорем и изображениями, которые содержат похожую внешность, и максимизирует дистанцую между разными. FaceNet использует глубокие сверточные сети для оптимизации своего встраивания по сравнению с использованием промежуточных уровней узких мест в качестве теста предыдущих подходов к глубокому обучению. Лицевая сетка обучена использование миниатюр обучающих лиц размером от 100 до 200 млн, состоящих примерно из 8 млн различных идентификаторов с размером входных данных от 96x96 пикселей до 224x224 пикселей.