Face_Pytorch

2019.07.14
現在、私はキャンパスを卒業し、別の種類の仕事をしています。したがって、このプロジェクトは再び更新されない可能性があります。

face_pytorch

Arcface、Cosface、Spherefaceなど、Pytorchフレームワークにおける一般的なフェイス認識アルゴリズムの実装。

すべてのコードは、Python 3.6、Ubuntu 16.04.10、Cuda 9.1、Cudnn 7.1でPytorch 0.4.0で評価されます。 Pytorch 1.0で部分的に評価されています。

データの準備

CNNトレーニングには、Casia-Webfaceを使用し、MTCNNによって112x112のサイズのMTCNNによってアライメントされました。パフォーマンステストについては、LFW、AGEDB-30、CFP-FP、Megaface RANK1の識別と検証の結果を報告します。

AGEDB-30およびCFP-FPの場合、Insightfaceが提供するMXNETバイナリファイルから整列した画像と評価画像ペアが復元され、ツールはこのリポジトリで入手できます。画像解析のために最初にMXNET-CPUをインストールする必要があります。「 PIPインストールMXNET 」は問題ありません。
lfw @ baidunetdisk、agedb-30 @ baidunetdisk、cfp_fp @ baidunetdisk

結果

MobileFacenet：MobileFacenetで説明されているStuture
ResNet50：元のResNet構造
ResNet50-IR：Arcface Paperに記載されているCNN
seresnet50-ir：Arcface Paperに記載されているCNN

LFW、AGEDB-30、CFP_FPの検証結果

スモールプロトコル：データサイズのCasia-Webfaceでトレーニング：453580/10575
大規模プロトコル：DeepGlint MS-CELEB-1Mでトレーニングされたデータサイズ：3923399/86876

モデルタイプ	損失	LFW	AGEDB-30	CFP-FP	モデルサイズ	プロトコル
MobileFacenet	アークフェイス	99.23	93.26	94.34	4MB	小さい
resnet50-ir	アークフェイス	99.42	94.45	95.34	170MB	小さい
seresnet50-ir	アークフェイス	99.43	94.50	95.43	171MB	小さい
MobileFacenet	アークフェイス	99.58	96.57	92.90	4MB	大きい
resnet50-ir	アークフェイス	99.82	98.07	95.34	170MB	大きい
seresnet50-ir	アークフェイス	99.80	98.13	95.60	171MB	大きい
resnet100-ir	アークフェイス	99.83	98.28	96.41	256MB	大きい

小さなプロトコルでトレーニングするとき、CFP-FPはAGEDB-30よりも優れたパフォーマンスを発揮すると、大規模なデータセットでトレーニングするとき、CFP-FPはAGEDB-30よりも悪いパフォーマンスが存在するという奇妙な結果が存在します。

Megafaceランク1の識別の精度とverfication@fpr = 1e-6の結果

モデルタイプ	損失	MF ACC。	mf ver。	MF acc。@r	mfver。@r	サイズ	プロトコル
MobileFacenet	アークフェイス	69.10	84.23	81.15	85.86	4MB	小さい
resnet50-ir	アークフェイス	74.31	88.23	87.44	89.56	170MB	小さい
seresnet50-ir	アークフェイス	74.37	88.32	88.30	89.65	171MB	小さい
MobileFacenet	アークフェイス	74.95	88.77	89.47	91.03	4MB	大きい
resnet50-ir	アークフェイス	79.61	96.02	96.58	96.78	170MB	大きい
seresnet50-ir	アークフェイス	79.91	96.10	97.01	97.60	171MB	大きい
resnet100-ir	アークフェイス	80.40	96.94	97.60	98.05	256MB	大きい

使用法

1. ソースコードをマシンにダウンロードします。
2. 列車データセットと列車リスト、テストデータセット、テスト検証ペアを準備します。
3. Train.pyで独自のデータセットパスとその他のパラメーターを設定します。
4. Train.pyファイルを実行すると、テストの精度がトレーニングプロセス中にログファイルに印刷されます。

---

5. すべての評価ファイルは、モデルテストプロセスのために独立して機能します。ファイルに独自のargsを設定するだけです。

視覚化

トレーニングプロセス中の損失と精度の目的サポート。

SoftMaxの損失対SoftMax_Centerの損失。左：SoftMaxトレーニングセット。右：SoftMax +センター損失トレーニングセット。

参照

Mugglewang/cosface_pytorch
Xiaoccer/mobilefacenet_pytorch
treb1en/Insightface_pytorch
DeepInsight/Insightface
Kaiyangzhou/pytorch-center-loss
Tengshaofeng/rididualattentionnetwork-pytorch

トト

1. Deepglint Tlillion Pairs Challengeのテスト結果を報告してください。
2. Pytorch 1.0を使用して高速展開のためにC ++ APIを追加します。
3. ResNet100ベースのモデルをトレーニングします。