Face_Pytorch

2019.07.14
В настоящее время я закончил кампус и выполняю другую работу. Таким образом, этот проект не может быть обновлен снова.

Face_pytorch

Реализация популярных алгоритмов распознавания лица в рамках Pytorch, включая Arcface, Cosface и Sphereface и так далее.

Все коды оцениваются на Pytorch 0.4.0 с Python 3.6, Ubuntu 16.04.10, CUDA 9.1 и Cudnn 7.1. Частично оценивается на Pytorch 1.0.

Подготовка данных

Для обучения CNN я использую Casia-Webface и очищал MS-CELEB-1M, выровненный MTCNN с размером 112x112. Для тестирования производительности я сообщаю о результатах по LFW, AGEDB-30, CFP-FP, идентификации и проверке Megaface Rank1.

Для AGEDB-30 и CFP-FP выровненные изображения и оценки изображений восстанавливаются из двоичного файла MXNET, предоставленного Insightface, в этом репозитории доступны инструменты. Сначала вы должны установить MXNET-CPU для анализа изображения, просто DO DIP PIP УСТАНОВКА MXNET 'в порядке.
Lfw @ baidunetdisk, agedb-30 @ baidunetdisk, cfp_fp @ baidunetdisk

Результаты

MobileFacenet: Struture, описанная в MobileFacenet
Resnet50: оригинальная структура Resnet
RESNET50-IR: CNN, описанный в дуговой бумаге
SERESNET50-IR: CNN, описанный в дуговой бумаге

Результаты проверки на LFW, AGEDB-30 и CFP_FP

Небольшой протокол: обученный Casia-Webface размер данных: 453580/10575
Большой протокол: обученный с DeepGlint MS-CELEB-1M Размер данных: 3923399/86876

Тип модели	Потеря	LFW	AGEDB-30	CFP-FP	Размер модели	протокол
MobileFacenet	Дуговая сторона	99,23	93,26	94,34	4 МБ	маленький
Resnet50-IR	Дуговая сторона	99,42	94,45	95,34	170 МБ	маленький
Seresnet50-IR	Дуговая сторона	99,43	94,50	95,43	171 МБ	маленький
MobileFacenet	Дуговая сторона	99,58	96.57	92,90	4 МБ	большой
Resnet50-IR	Дуговая сторона	99,82	98.07	95,34	170 МБ	большой
Seresnet50-IR	Дуговая сторона	99,80	98.13	95,60	171 МБ	большой
Resnet100-IR	Дуговая сторона	99,83	98.28	96.41	256 МБ	большой

Существует нечетный результат, что при обучении под небольшим протоколом CFP-FP выступают лучше, чем AGEDB-30, в то время как при обучении с крупномасштабным набором данных CFP-FP характеристики хуже, чем AGEDB-30.

Megaface Rank 1 Точность идентификации и вершины@fpr = 1e-6 результаты

Тип модели	Потеря	Mf Acc.	Mf ver.	MF Acc.@R.	Mf ver.@R	РАЗМЕР	протокол
MobileFacenet	Дуговая сторона	69.10	84,23	81.15	85,86	4 МБ	маленький
Resnet50-IR	Дуговая сторона	74,31	88.23	87.44	89,56	170 МБ	маленький
Seresnet50-IR	Дуговая сторона	74.37	88.32	88.30	89,65	171 МБ	маленький
MobileFacenet	Дуговая сторона	74,95	88.77	89,47	91.03	4 МБ	большой
Resnet50-IR	Дуговая сторона	79,61	96.02	96.58	96.78	170 МБ	большой
Seresnet50-IR	Дуговая сторона	79,91	96.10	97.01	97.60	171 МБ	большой
Resnet100-IR	Дуговая сторона	80.40	96.94	97.60	98.05	256 МБ	большой

Использование

1. Загрузите исходный код на свою машину.
2. Подготовьте набор данных поезда и список поездов, тестируйте наборы данных и пары проверки тестирования.
3. Установите свой собственный путь набора данных и любые другие параметры в Train.py.
4. Запустите файл train.py, точность тестирования будет распечатать в файл журнала во время обучения.

---

5. Каждый файл оценки может работать независимо для процесса тестирования модели. Просто установите свои собственные арго в файле.

Визуализация

Поддержка Вишма для потери и точности во время обучения.

Потеря Softmax против потери SoftMax_Center. Слева: тренировочный набор Softmax. Справа: Softmax + Center Loss Training Set.

Ссылки

Mugglewang/cosface_pytorch
Xioccer/mobilefacenet_pytorch
Treb1en/insightface_pytorch
Deeninsight/Insightface
Kaiyangzhou/Pytorch-Center-Loss
Tengshaofeng/RothateAttentionnetwork-Pytorch

Тодо

1. Сообщите о результатах теста на вызов DeepGlint Trillion Pares.
2. Добавьте C ++ API для быстрого развертывания с Pytorch 1.0.
3. Обучить модель на основе Resnet100.