Face_Pytorch

2019.07.14
Atualmente, me formei no campus e fazendo outro tipo de trabalho. Portanto, este projeto não pode ser atualizado novamente.

Face_pytorch

A implementação de algoritmos populares de reconhecimento de rosto na estrutura de Pytorch, incluindo Arcface, Cosface e Sphereface e assim por diante.

Todos os códigos são avaliados no Pytorch 0.4.0 com Python 3.6, Ubuntu 16.04.10, CUDA 9.1 e CUDNN 7.1. Parcialmente avaliado no Pytorch 1.0.

Preparação de dados

Para o treinamento da CNN, uso Casia-Webface e MS-CELEB-1M limpo, alinhado por MTCNN com o tamanho de 112x112. Para testes de desempenho, relato os resultados no LFW, AGEDB-30, CFP-FP, MEGAFACE RANK1 Identification and Verification.

Para AGEDB-30 e CFP-FP, os pares de imagens e imagens de avaliação alinhados são restaurados do arquivo binário MXNET fornecido pelo Insightface, as ferramentas estão disponíveis neste repositório. Você deve instalar um MXNET-CPU primeiro para a análise de imagem, basta fazer ' Pip Install mxnet ' está ok.
LFW @ BaidunetDisk, AGEDB-30 @ BaidunetDisk, CFP_FP @ BaidunetDisk

Resultados

MobileFaceNet: Struture descrito no MobileFaceNet
Resnet50: estrutura de resnet original
Resnet50-IR: CNN descrito em papel Arcface
Seresnet50-IR: CNN descrito em papel Arcface

Resultados de verificação em LFW, AGEDB-30 e CFP_FP

Pequeno protocolo: treinado com Casia-webface do tamanho dos dados: 453580/10575
Grande protocolo: treinado com Deepglint MS-CELEB-1M de tamanho de dados: 3923399/86876

Tipo de modelo	Perda	LFW	AGEDB-30	CFP-FP	Tamanho do modelo	protocolo
MobileFaceNet	Arcface	99.23	93.26	94.34	4 MB	pequeno
Resnet50-IR	Arcface	99.42	94.45	95.34	170 MB	pequeno
Seresnet50-IR	Arcface	99.43	94.50	95.43	171 MB	pequeno
MobileFaceNet	Arcface	99.58	96.57	92.90	4 MB	grande
Resnet50-IR	Arcface	99.82	98.07	95.34	170 MB	grande
Seresnet50-IR	Arcface	99.80	98.13	95.60	171 MB	grande
Resnet100-IR	Arcface	99.83	98.28	96.41	256 MB	grande

Existe um fato estranho de resultado que, ao treinar sob pequenos protocolos, o desempenho do CFP-FP é melhor do que o AGEDB-30, enquanto treinava com conjunto de dados em larga escala, o desempenho do CFP-FP pior que o AGEDB-30.

Megaface Rank 1 Identifiction Precisão e verfication@fpr = 1e-6 Resultados

Tipo de modelo	Perda	Mf acc.	Mf ver.	Mf acc.@R	Mf ver.@R	TAMANHO	protocolo
MobileFaceNet	Arcface	69.10	84.23	81.15	85.86	4 MB	pequeno
Resnet50-IR	Arcface	74.31	88.23	87.44	89.56	170 MB	pequeno
Seresnet50-IR	Arcface	74.37	88.32	88.30	89.65	171 MB	pequeno
MobileFaceNet	Arcface	74.95	88.77	89.47	91.03	4 MB	grande
Resnet50-IR	Arcface	79.61	96.02	96.58	96.78	170 MB	grande
Seresnet50-IR	Arcface	79.91	96.10	97.01	97.60	171 MB	grande
Resnet100-IR	Arcface	80,40	96.94	97.60	98.05	256 MB	grande

Uso

1. Faça o download do código -fonte para sua máquina.
2. Prepare o conjunto de dados de trem e a lista de trens, testes de teste e pares de verificação de teste.
3. Defina seu próprio caminho do conjunto de dados e quaisquer outros parâmetros no treinamento.py.
4. Execute o arquivo Train.py, a precisão do teste imprimirá no arquivo de log durante o processo de treinamento.

---

5. Todo arquivo de avaliação pode funcionar de forma independente para o processo de teste do modelo. Basta definir seus próprios args no arquivo.

Visualização

Suporte à Visdom à perda e precisão durante o processo de treinamento.

Softmax Loss vs Softmax_Center Perda. Esquerda: Conjunto de treinamento Softmax. Direita: Conjunto de treinamento de perda de perdas Softmax + Center.

Referências

Mougelwang/cosface_pytorch
Xiaoccer/MobileFACENET_PYTORCH
Treb1en/Insightface_pytorch
DeepInsight/Insightface
Kaiyangzhou/Pytorch-Center-Loss
Tengshaofeng/ResidualattionNetwork-Pytorch

Pendência

1. Relate os resultados do teste sobre o desafio dos pares de trilhões de Deepglint.
2. Adicione a API C ++ para implantação rápida com Pytorch 1.0.
3. Treine o modelo baseado em Resnet100.