差异特征学习指如何获取差异最小的类内和差异最大的类间特征，这里的差异特征学习可应用的场景包含并不仅限于人脸识别，行人重识别和细粒度识别等。
由于这方面涉及太广和自身能力有限，只结合自己使用经验对关键差异的阐述，且略去基本算法描述。
-
softmaxloss
softmaxloss作为最基本的identity loss能解决绝大部分场景分类问题，提取的特征也有较好的表达，只是它的特征分布呈射线簇，在分类中使用还好，在检索中就涉及样本间距离（相似度）的计算，射线簇无论是欧式距离还是与余弦距离均有弊端。可以参考此篇（https://zhuanlan.zhihu.com/p/34404607），总结的很好。
-
双损失（identity loss + verification loss）
verification loss能度量样本间的关系，结合identity loss，相当于一种多任务，获取差异特征表达。
双损失迅速占据了主流，且性能很好。典型的代表是softmaxloss+contrastiveloss和softmaxloss+tripletloss。
contrastiveloss的对象是二元组，同类拉近，异类大于margin。但实验显示，同类拉近这点极易导致过拟合。
tripletloss的对象是三元组，异类大于同类margin的距离，triplet是一个很好的约束损失，但是难点在于三元组的组合挖掘，HardTri是一个改进方向。
还有center loss，想法很好，但多了一个类心收敛过程（训练很慢），且当类别较大，内存维护这样所以类心，消耗较大。
-
基于角度的softmax改进
一系列论文包括，L-softmax->A-softmax->Feature Normalization->AM-Softmax
L-softmax首次提出基于角度的softmax优化，关注特征向量和对应权值向量的角度缩小，从而获得差异特征。
A-softmax在L-softmax基础上归一化了权值，让训练更集中在优化特征和向量角度上。L和A均采用退火算法训练。
Feature Normalization提出了归一化特征（让特征分布在圆上不再呈射箭簇），且添加尺度因子（抵消归一化带来的特征空间压缩）。
AM-Softmax，在前面的基础上，将乘性margin优化为加性margin，使得训练更易收敛。