Face_Pytorch

2019.07.14
Actualmente, me gradué del campus y hago otro tipo de trabajo. Por lo tanto, este proyecto no se actualiza nuevamente.

Face_pytorch

La implementación de algoritmos populares de reconocimiento facial en el marco de Pytorch, incluidos Arcface, Cosface y Sphereface, etc.

Todos los códigos se evalúan en Pytorch 0.4.0 con Python 3.6, Ubuntu 16.04.10, Cuda 9.1 y Cudnn 7.1. Parcialmente evaluado en Pytorch 1.0.

Preparación de datos

Para el entrenamiento de CNN, uso Casia-Webface y limpio MS-Celeb-1M, alineado por MTCNN con el tamaño de 112x112. Para las pruebas de rendimiento, informe los resultados en LFW, AGEDB-30, CFP-FP, MegaFace Rank1 Identificación y verificación.

Para AGEDB-30 y CFP-FP, los pares de imágenes e imágenes de evaluación alineadas se restauran desde el archivo binario MXNET proporcionado por Insightface, las herramientas están disponibles en este repositorio. Debe instalar primero un mxnet-cpu para el análisis de la imagen, solo hacer ' pip install mxnet ' está bien.
Lfw @ baidunetdisk, agedb-30 @ baidunetdisk, cfp_fp @ baidunetdisk

Resultados

MobileFacenet: Struture descrito en MobileFacenet
Resnet50: estructura original de resnet
Resnet50-IR: CNN descrito en el papel Arcface
SERESNET50-IR: CNN descrito en el papel Arcface

Resultados de verificación en LFW, AGEDB-30 y CFP_FP

Protocolo pequeño: Entrenado con el tamaño de la cara de datos Casia: 453580/10575
Protocolo grande: Entrenado con DeepGlint MS-Celeb-1m de tamaño de datos: 3923399/86876

Tipo de modelo	Pérdida	LFW	Agedb-30	CFP-FP	Tamaño del modelo	protocolo
MobileFacenet	Cara de arco	99.23	93.26	94.34	4MB	pequeño
Resnet50-ir	Cara de arco	99.42	94.45	95.34	170 MB	pequeño
Seresnet50-ir	Cara de arco	99.43	94.50	95.43	171 MB	pequeño
MobileFacenet	Cara de arco	99.58	96.57	92.90	4MB	grande
Resnet50-ir	Cara de arco	99.82	98.07	95.34	170 MB	grande
Seresnet50-ir	Cara de arco	99.80	98.13	95.60	171 MB	grande
Resnet100-ir	Cara de arco	99.83	98.28	96.41	256 MB	grande

Existe un hecho de resultado extraño de que al entrenar bajo un pequeño protocolo, las actuaciones de CFP-FP mejor que AGEDB-30, mientras que cuando se entrenan con conjunto de datos a gran escala, las actuaciones de CFP-FP peores que AGEDB-30.

Megaface Rank 1 Identifiation Precisión y verdad@FPR = 1E-6 Resultados

Tipo de modelo	Pérdida	MF Ac.	MF ver.	MF acc.@R	MF Ver.@R	TAMAÑO	protocolo
MobileFacenet	Cara de arco	69.10	84.23	81.15	85.86	4MB	pequeño
Resnet50-ir	Cara de arco	74.31	88.23	87.44	89.56	170 MB	pequeño
Seresnet50-ir	Cara de arco	74.37	88.32	88.30	89.65	171 MB	pequeño
MobileFacenet	Cara de arco	74.95	88.77	89.47	91.03	4MB	grande
Resnet50-ir	Cara de arco	79.61	96.02	96.58	96.78	170 MB	grande
Seresnet50-ir	Cara de arco	79.91	96.10	97.01	97.60	171 MB	grande
Resnet100-ir	Cara de arco	80.40	96.94	97.60	98.05	256 MB	grande

Uso

1. Descargue el código fuente a su máquina.
2. Prepare el conjunto de datos de trenes y la lista de trenes, el conjunto de datos de prueba y los pares de verificación de prueba.
3. Establezca su propia ruta del conjunto de datos y cualquier otro parámetro en Train.py.
4. Ejecute el archivo Train.py, la precisión de la prueba se imprimirá en el archivo de registro durante el proceso de capacitación.

---

5. Cada archivo de evaluación puede funcionar de forma independiente para el proceso de prueba del modelo. Simplemente establezca sus propios args en el archivo.

Visualización

Soporte de Visdom para la pérdida y precisión durante el proceso de capacitación.

Pérdida Softmax vs Pérdida Softmax_Center. Izquierda: set de entrenamiento Softmax. Derecha: Softmax + Center Loss Training Set.

Referencias

Mugglewang/cosface_pytorch
Xiaoccer/mobilefacenet_pytorch
Treb1en/Insightface_pytorch
Deepinsight/Insightface
Kaiyangzhou/pytorch-centro-pérdida
Tengshaofeng/ResidualAtentionNetwork-Pytorch

Hacer

1. Informe los resultados de la prueba en DeepGlint Billion Pares Challenge.
2. Agregue la API C ++ para una implementación rápida con Pytorch 1.0.
3. Entrena el modelo basado en resnet100.