LightCNN

Licht CNN für tiefe Gesichtserkennung in Pytorch

Eine Pytorch -Implementierung eines leichten CNN für eine tiefe Gesichtsdarstellung mit lauten Etiketten aus dem Papier von Xiang Wu, Ran He, Zhenan Sun und Tieniu Tan. Der offizielle und ursprüngliche Caffe -Code finden Sie hier.

Inhaltsverzeichnis

• Aktualisierungen
• Installation
• Datensätze
• Ausbildung
• Auswerten
• Leistung
• Zitat
• Referenzen

Aktualisierungen

• 9. Februar 2022
  • Leichtes CNN V4 Presented Model wird freigesetzt.
• 17. Januar 2018
  • Light CNN-29 V2-Modell und Trainingscode werden veröffentlicht. Die 100% - EER auf LFW erreicht 99,43% .
  • Die Leistung von Set 1 auf Megaface erreicht 76,021% für die Rang-1-Genauigkeit und 89,740% für TPR@far = 10^-6.
• 12. September 2017
  • Light CNN-29-Modell und Trainingscode werden veröffentlicht. Die 100% - EER auf LFW erreicht 99,40% .
  • Die Leistung von Set 1 auf Megaface erreicht 72,704% für die Rang-1-Genauigkeit und 85,891% für TPR@far = 10^-6.
• 12. Juli 2017
  • Light CNN-9-Modell und Trainingscode werden veröffentlicht. Der 100% - EER auf LFW erhält 98,70% .
  • Die Leistung von Set 1 zu Megaface erreicht 65,782% für die Rang-1-Genauigkeit und 76,288% für TPR@far = 10^-6.
• 4. Juli 2017
  • Das Repository wurde erstellt.

Installation

• Installieren Sie Pytorch nach der Website.
• Klonen Sie dieses Repository.
  • Hinweis: Wir führen es derzeit nur auf Python 2.7 aus.

Datensätze

• Laden Sie das Gesichtsdatensatz wie Casia-Webface, VGG-Face und MS-Celeb-1M herunter.

  • Die MS-Celeb-1M Clean List wird hochgeladen: Baidu Yun, Google Drive.

• Alle Gesichtsbilder werden in Graustufenbilder umgewandelt und gemäß den Wahrzeichen auf 144x144 normalisiert.

• Nach den fünf Gesichtspunkten drehen wir nicht nur zwei Augenpunkte horizontal, sondern setzen auch den Abstand zwischen dem Mittelpunkt der Augen und dem Mundpunkt (EC_MC_Y) und der y -Achse der Augen (EC_Y).

• Die ausgerichteten LFW -Bilder werden auf Baidu Yun hochgeladen.

  Datensatz	Größe	EC_MC_Y	EC_Y
  Trainingset	144x144	48	48
  Testset	128x128	48	40

Ausbildung

• Um das Light CNN mit dem Zugskript mit dem Zugskript zu trainieren, geben Sie einfach die in train.py aufgeführten Parameter als Flagge an oder ändern Sie sie manuell.

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

• Tipps:
  • Auf die Listen von Zug- und Val -Datensätzen folgen das Format von Kaffe. Die Details des Datenladers sind in load_imglist.py angezeigt. Oder Sie können torchvision.datasets.ImageFolder verwenden, um Ihre Datensätze zu laden.
  • Die num_classes bezeichnet die Anzahl der Identitäten in Ihrem Trainingsdatensatz.
  • Beim Training durch Pytorch können Sie eine größere Lernrate als Kaffe festlegen, und es wird durch Pytorch schneller konverstiert als Kaffe für leichte CNN.
  • Wir vergrößern die Lernrate für die Parameter von FC2, die eine bessere Leistung führen können. Wenn das Training auf Ihren eigenen Datensätzen zusammengebrochen ist, können Sie es verringern.
  • Wir ändern die Implementierung von SGD mit Impuls, da sich die offizielle Pytorch -Implementierung von Sutskever ET unterscheidet. al. Die Details werden hier angezeigt.
  • Die Trainingsdatensätze für LightCNN-29v2 sind Casia-Webface und MS-Celeb-1M, daher beträgt die num_classes 80013 .

Auswertung

• Bewertung eines ausgebildeten Netzwerks:

 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)

• Sie können vlfeat oder sklearn verwenden, um die Funktionen auf ROC zu bewerten und EER und TPR@FPR für Ihre Testdatensätze zu erhalten.
• Das Modell von LightCNN-9 wird auf Google Drive veröffentlicht.
  • Beachten Sie, dass das freigegebene Modell den gesamten Zustand des leichten CNN -Moduls und des Optimierers enthält. Die Details des Lademodells finden Sie in train.py .
• Das Modell von LightCNN-29 wird auf Google Drive veröffentlicht.
• Das Modell von LightCNN-29 V2 wird auf Google Drive veröffentlicht.
• Die Merkmale von LFW und Megaface von Lightcnn-9 werden veröffentlicht.
• Das Modell von LightCnn V4 wird auf Google Drive veröffentlicht.
  • Die detaillierte Struktur von LightCNN V4 ist in light_cnn_v4.py dargestellt
  • Der Eingang ist ein ausgerichtetes 128*128 BGR -Gesichtsbild.
  • Der Eingangspixelwert wird durch Mittelwert ([0,0, 0,0, 0,0]) und STD ([255,0, 255,0, 255,0]) normalisiert.

Leistung

Die leichte CNN -Leistung auf LFW 6.000 Paaren.

Modell	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%

Die leichte CNN -Leistung auf LFW -Blufr -Protokollen

Modell	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%

Die leichte CNN -Leistung auf Megaface

Modell	Rang-1	TPR@far = 1E-6
Lightcnn-9	65,782%	76,288%
Lightcnn-29	72,704%	85,891%
Lightcnn-29v2	76,021%	89,740%

Zitat

Wenn Sie unsere Modelle verwenden, zitieren Sie bitte das folgende Papier:

 @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}
}

Referenzen

• Originallicht -CNN -Implementierung (Kaffe).
• Pytorch.