LightCNN

CNN الضوء للتعرف على الوجه العميق ، في Pytorch

قام تطبيق Pytorch بتنفيذ CNN خفيف لتمثيل الوجه العميق مع ملصقات صاخبة من الورقة التي كتبها Xiang Wu ، و Zhenan Sun و Tieniu Tan. يمكن العثور على رمز الكافيين الرسمي والأصلي هنا.

جدول المحتويات

• التحديثات
• تثبيت
• مجموعات البيانات
• تمرين
• يقيم
• أداء
• اقتباس
• مراجع

التحديثات

• 9 فبراير 2022
  • يتم إطلاق نموذج CNN V4 PretRained.
• 17 يناير 2018
  • يتم إصدار طراز Light CNN-29 V2 ورمز التدريب. 100% - EER على LFW يحقق 99.43 ٪ .
  • يحقق أداء المجموعة 1 على Megaface 76.021 ٪ لدقة Rank-1 و 89.740 ٪ لـ TPR@FAR = 10^-6.
• 12 سبتمبر 2017
  • يتم إصدار طراز CNN-29 Light CNN-29. 100% - EER على LFW يحقق 99.40 ٪ .
  • يحقق أداء المجموعة 1 على Megaface 72.704 ٪ لدقة Rank-1 و 85.891 ٪ لـ TPR@FAR = 10^-6.
• 12 يوليو 2017
  • يتم إصدار طراز Light CNN-9 ورمز التدريب. 100% - EER على LFW تحصل على 98.70 ٪ .
  • يحقق أداء المجموعة 1 على Megaface 65.782 ٪ لدقة Rank-1 و 76.288 ٪ لـ TPR@FAR = 10^-6.
• 4 يوليو 2017
  • تم بناء المستودع.

تثبيت

• تثبيت Pytorch بعد الموقع.
• استنساخ هذا المستودع.
  • ملاحظة: نقوم حاليًا بتشغيله فقط على Python 2.7.

مجموعات البيانات

• قم بتنزيل مجموعة بيانات الوجه مثل Casia-Webface و VGG-Face و MS-CELEB-1M.

  • تم تحميل قائمة MS-CELEB-1M النظيفة: Baidu Yun ، Google Drive.

• يتم تحويل جميع صور الوجه إلى صور على نطاق رمادي وتطبيعها إلى 144 × 144 وفقًا للمعالم.

• وفقًا لنقاط الوجه الخمس ، فإننا لا ندير نقطتين للعين أفقيًا فحسب ، بل نضع أيضًا المسافة بين نقطة منتصف العيون ونقطة منتصف الفم (EC_MC_Y) ، ومحور Y من نقطة منتصف العيون (EC_Y).

• يتم تحميل صور LFW المحاذاة على Baidu Yun.

  مجموعة البيانات	مقاس	EC_MC_Y	EC_Y
  مجموعة التدريب	144x144	48	48
  مجموعة الاختبار	128x128	48	40

تمرين

• لتدريب الضوء CNN باستخدام البرنامج النصي القطار ببساطة حدد المعلمات المدرجة في train.py كعلم أو تغييرها يدويًا.

python train.py --root_path=/path/to/your/datasets/ 
		--train_list=/path/to/your/train/list.txt 
		--val_list=/path/to/your/val/list.txt 
		--save_path=/path/to/your/save/path/ 
		--model= " LightCNN-9/LightCNN-29 " --num_classes=n

• نصائح:
  • وتتبع قوائم مجموعات بيانات القطار و VAL تنسيق Caffe. يتم عرض تفاصيل تحميل البيانات في load_imglist.py . أو يمكنك استخدام torchvision.datasets.ImageFolder لتحميل مجموعات البيانات الخاصة بك.
  • تشير num_classes إلى عدد الهويات في مجموعة بيانات التدريب الخاصة بك.
  • عند التدريب من قبل Pytorch ، يمكنك تعيين معدل تعليمي أكبر من Caffe ويتم تكييفه بشكل أسرع بواسطة Pytorch من Caffe for Light CNN.
  • نحن نوسع معدل التعلم لمعلمات FC2 التي قد تؤدي أداء أفضل. إذا انهار التدريب على مجموعات البيانات الخاصة بك ، فيمكنك إلغاءه.
  • نقوم بتعديل تنفيذ SGD مع الزخم لأن تطبيق Pytorch الرسمي يختلف عن Sutskever et. آل. يتم عرض التفاصيل هنا.
  • مجموعات بيانات التدريب لـ Lightcnn-29v2 هي Casia-Webface و MS-Celeb-1M ، وبالتالي ، فإن num_classes هو 80013 .

تقييم

• لتقييم شبكة مدربة:

 python extract_features.py --resume=/path/to/your/model 
			   --root_path=/path/to/your/datasets/ 
			   --img_list=/path/to/your/list.txt 
			   --save_path=/path/to/your/save/path/ 
			   --model="LightCNN-9/LightCNN-29/LightCNN-29v2"
			   --num_classes=n (79077 for LightCNN-9/LightCNN-29, 80013 for LightCNN-29v2)

• يمكنك استخدام vlfeat أو sklearn لتقييم الميزات على ROC والحصول على EER و TPR@FPR لمجموعات بيانات الاختبار الخاصة بك.
• يتم إصدار نموذج Lightcnn-9 على Google Drive.
  • لاحظ أن النموذج الذي تم إصداره يحتوي على الحالة الكاملة لوحدة CNN الخفيفة والمحسّنة. يمكن العثور على تفاصيل نموذج التحميل في train.py .
• يتم إصدار نموذج Lightcnn-29 على Google Drive.
• يتم إصدار نموذج Lightcnn-29 V2 على Google Drive.
• يتم إصدار ميزات LFW و Megaface من Lightcnn-9.
• يتم إصدار نموذج Lightcnn V4 على Google Drive.
  • يظهر الهيكل التفصيلي لـ Lightcnn V4 في Light_cnn_v4.py
  • المدخلات هي صورة محاذاة 128*128 BGR للوجه.
  • يتم تطبيع قيمة بكسل الإدخال بواسطة الوسط ([0.0 ، 0.0 ، 0.0]) و Std ([255.0 ، 255.0 ، 255.0]).

أداء

أداء CNN الخفيف على LFW 6000 أزواج.

نموذج	100 ٪ - eer	tpr@far = 1 ٪	tpr@far=0.1٪	tpr@far = 0
Lightcnn-9	98.70 ٪	98.47 ٪	95.13 ٪	89.53 ٪
Lightcnn-29	99.40 ٪	99.43 ٪	98.67 ٪	95.70 ٪
Lightcnn-29v2	99.43 ٪	99.53 ٪	99.30 ٪	96.77 ٪
Lightcnn V4	99.67 ٪	99.67 ٪	99.57 ٪	99.27 ٪

أداء CNN الخفيف على بروتوكولات LFW Blufr

نموذج	vr@far=0.1٪	dir@far = 1 ٪
Lightcnn-9	96.80 ٪	83.06 ٪
Lightcnn-29	98.95 ٪	91.33 ٪
Lightcnn-29v2	99.41 ٪	94.43 ٪

أداء CNN الخفيف على Megaface

نموذج	رتبة 1	tpr@far = 1e-6
Lightcnn-9	65.782 ٪	76.288 ٪
Lightcnn-29	72.704 ٪	85.891 ٪
Lightcnn-29v2	76.021 ٪	89.740 ٪

اقتباس

إذا كنت تستخدم نماذجنا ، فيرجى الاستشهاد بالورقة التالية:

 @article{wu2018light,
  title={A light CNN for deep face representation with noisy labels},
  author={Wu, Xiang and He, Ran and Sun, Zhenan and Tan, Tieniu},
  journal={IEEE Transactions on Information Forensics and Security},
  volume={13},
  number={11},
  pages={2884--2896},
  year={2018},
  publisher={IEEE}
}

مراجع

• تنفيذ CNN الخفيف الأصلي (CAFFE).
• Pytorch.