在一系列有关生物识别面部识别系统的公告中，以检测人们是否穿着面具，，，，trueface采取了不仅解释其技术增加了这种能力的步骤，还可以解释如何。
一个中期标题为“ TrueFace教程：如何使用少于1K的培训图像训练面罩检测器”，解释了该公司如何通过在“中间特征图中的中间特征图”上训练小型分类器在同一工作流程中训练其轻质模型以在同一工作流程中执行掩模检测。”
这与两种常见方法不同，即从头开始训练深层模型，或者用大量新数据对其进行微调。根据帖子的说法，TrueFace采用的方法具有仅需要一个小数据集的优点，并且与原始载荷相比，执行多个任务的模型仅略有增加计算负载。
TrueFace的基于重新连接的面部识别模型通过添加单层检测面罩。
“单个模型减少了内存足迹，因此客户端可以在资源有限设备上管理多个任务的单个模型，” Poster和Trueface and TrueFace Mosalam Ebrahimi的负责人解释了生物识别更新在电子邮件中。
单个模型方法不仅支持在各种环境中的部署，而且还简化了实现。
Ebrahimi说：“辅助模型是非常小的软件包，可以使客户更快/更容易地进行交付，安装和热门修补。”
TrueFace使用了LFW数据集中的400张图像，并在公司的基于视网膜的面部探测器上放置了每个图像的鼻子和口区域。这导致了400张图像，但总共有800张掩模。持有一部分LFW图像来测试系统的性能，在50个时代之后，该模型达到了Ebrahimi的精确度，Ebrahimi将其描述为令人印象深刻。来自综合用于进一步评估模型的概括。
Ebrahimi在帖子中总结说：“对于实时应用，多任务深度学习模型是可取的，因为它们在推理时间比两个单独的模型快得多。” “修改基本模型为相关任务添加新的分支通常也需要相对较小的培训数据集。”
