LightCNNダウンロードLightCNNソースコードのダウンロード

LightCNN

パイソン

1.0.0

ダウンロード

Pytorchでの深い顔認識のための軽いCNN

Xiang Wu、Ran、Zhenan Sun、Tieniu Tanによる紙の騒々しいラベルを備えた深い顔の表現のための軽いCNNのPytorchの実装。公式およびオリジナルのカフェコードはここにあります。

更新

2022年2月9日
- Light CNN V4事前処理されたモデルがリリースされます。
2018年1月17日
- ライトCNN-29 V2モデルとトレーニングコードがリリースされます。 LFWの100% - EER 99.43％を達成します。
- Megafaceでのセット1のパフォーマンスは、ランク1の精度で76.021％ 、TPR@FAR = 10^-6で89.740％を達成します。
2017年9月12日
- ライトCNN-29モデルとトレーニングコードがリリースされます。 LFWの100% - EER 99.40％を達成します。
- Megaface上のセット1のパフォーマンスは、ランク1の精度で72.704％ 、TPR@FAR = 10^-6で85.891％を達成します。
2017年7月12日
- ライトCNN-9モデルとトレーニングコードがリリースされます。 LFWの100% - EER 98.70％を獲得します。
- Megaface上のセット1のパフォーマンスは、ランク1の精度で65.782％ 、TPR@FAR = 10^-6で76.288％を達成します。
2017年7月4日
- リポジトリが構築されました。

インストール

Webサイトに従ってPytorchをインストールします。
このリポジトリをクローンします。
- 注：現在、Python 2.7でのみ実行しています。

データセット

Casia-Webface、VGG-Face、MS-Celeb-1Mなどのフェイスデータセットをダウンロードします。
- MS-Celeb-1Mクリーンリストはアップロードされています：Baidu Yun、Googleドライブ。
すべてのフェイス画像はグレースケール画像に変換され、ランドマークに従って144x144に正規化されます。
5つの顔のポイントによれば、2つの目ポイントを水平方向に回転させるだけでなく、目の中間点と口の中間点（EC_MC_Y）と目の中間点（EC_Y）のy軸の間の距離を設定します。
整列したLFW画像は、Baidu Yunにアップロードされます。
データセットサイズ EC_MC_Y EC_Y
トレーニングセット 144x144 48 48
テストセット 128x128 48 40

データセット	サイズ	EC_MC_Y	EC_Y
トレーニングセット	144x144	48	48
テストセット	128x128	48	40

トレーニング

列車スクリプトを使用して軽いCNNをトレーニングするには、 train.pyにリストされているパラメーターをフラグとして指定するか、手動で変更します。

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

ヒント：
- 列車とVALのデータセットのリストの後に、Caffeの形式が続きます。データローダーの詳細は、 load_imglist.pyに表示されます。または、 torchvision.datasets.ImageFolderを使用してデータセットをロードすることもできます。
- num_classes 、トレーニングデータセットのIDの数を示します。
- Pytorchによるトレーニングの場合、Caffeよりも多くの学習率を設定できます。LightCNNのCaffeよりもPytorchによってより速く収束します。
- FC2のパラメーターの学習率を拡大し、パフォーマンスを向上させる可能性があります。独自のデータセットでトレーニングが崩壊した場合、それを減らすことができます。
- 公式のPytorchの実装はSutskever etとは異なるため、SGDの実装を勢いで変更します。アル。詳細はこちらに示されています。
- LightCNN-29v2のトレーニングデータセットはCasia-WebfaceとMS-Celeb-1Mです。したがって、 num_classesは80013です。

評価

訓練されたネットワークを評価するには：

 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)

vlfeatまたはsklearnを使用して、ROCの機能を評価し、テストデータセットのEERとTPR@FPRを取得できます。
LightCNN-9のモデルはGoogleドライブでリリースされます。
- リリースされたモデルには、光CNNモジュールの全状態とオプティマイザーが含まれていることに注意してください。読み込みモデルの詳細は、 train.pyで見つけることができます。
LightCNN-29のモデルはGoogleドライブでリリースされます。
LightCNN-29 V2のモデルはGoogleドライブでリリースされます。
LightCNN-9のLFWとMegafaceの機能がリリースされます。
LightCNN V4のモデルはGoogleドライブでリリースされます。
- LightCNN V4の詳細な構造はLight_cnn_v4.pyに示されています
- 入力は、整列された128*128 BGRフェイス画像です。
- 入力ピクセル値は、平均（[0.0、0.0、0.0]）およびSTD（[255.0、255.0、255.0]）によって正規化されます。

パフォーマンス

LFW 6,000ペアの軽いCNNパフォーマンス。

モデル	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％

LFW BLUFRプロトコルのライトCNNパフォーマンス

モデル	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％

Megafaceでの軽いCNNパフォーマンス

モデル	ランク1	TPR@FAR = 1E-6
lightcnn-9	65.782％	76.288％
LightCNN-29	72.704％	85.891％
lightcnn-29v2	76.021％	89.740％

引用

モデルを使用する場合は、次の論文を引用してください。

 @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}
}