LightCNN
1.0.0
การติดตั้ง Pytorch ของ CNN เบา ๆ สำหรับการเป็นตัวแทนใบหน้าลึกพร้อมฉลากที่มีเสียงดังจากกระดาษโดย Xiang Wu วิ่งเขา Zhenan Sun และ Tieniu Tan รหัสคาเฟอีนอย่างเป็นทางการและดั้งเดิมสามารถพบได้ที่นี่
100% - EER บน LFW ประสบความสำเร็จ 99.43%100% - EER บน LFW ประสบความสำเร็จ 99.40%100% - EER บน LFW ได้รับ 98.70%ดาวน์โหลดชุดข้อมูล Face เช่น Casia-Webface, VGG-FACE และ MS-CELEB-1M
ภาพใบหน้าทั้งหมดจะถูกแปลงเป็นภาพขนาดสีเทาและทำให้เป็นมาตรฐาน 144x144 ตามสถานที่สำคัญ
ตามจุดใบหน้าทั้งห้าเราไม่เพียง แต่หมุนจุดตาสองจุดในแนวนอน แต่ยังกำหนดระยะห่างระหว่างจุดกึ่งกลางของดวงตาและจุดกึ่งกลางของปาก (EC_MC_Y) และแกน y ของจุดกึ่งกลางของดวงตา (EC_Y)
รูปภาพ LFW ที่จัดเรียงจะถูกอัปโหลดบน Baidu Yun
| ชุดข้อมูล | ขนาด | ec_mc_y | ec_y |
|---|---|---|---|
| ชุดฝึกอบรม | 144x144 | 48 | 48 |
| ชุดทดสอบ | 128x128 | 48 | 40 |
train.py เป็นธงหรือเปลี่ยนด้วยตนเอง 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=nload_imglist.py หรือคุณสามารถใช้ torchvision.datasets.ImageFolder เพื่อโหลดชุดข้อมูลของคุณnum_classes หมายถึงจำนวนตัวตนในชุดข้อมูลการฝึกอบรมของคุณnum_classes คือ 80013 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 หรือ sklearn เพื่อประเมินคุณสมบัติบน ROC และรับ EER และ TPR@FPR สำหรับชุดข้อมูลการทดสอบของคุณtrain.pyประสิทธิภาพของ CNN แสงบน LFW 6,000 คู่
| แบบอย่าง | 100% - Eer | tpr@ไกล = 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% |
ประสิทธิภาพ CNN แสงบนโปรโตคอล LFW BLUFR
| แบบอย่าง | 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% |
ประสิทธิภาพของ CNN แสงบน megaface
| แบบอย่าง | อันดับ 1 | tpr@far = 1e-6 |
|---|---|---|
| Lightcnn-9 | 65.782% | 76.288% |
| Lightcnn-29 | 72.704% | 85.891% |
| Lightcnn-29v2 | 76.021% | 89.740% |
หากคุณใช้โมเดลของเราโปรดอ้างอิงกระดาษต่อไปนี้:
@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}
}
