หน้าแรก>การเขียนโปรแกรมที่เกี่ยวข้อง>หลาม
ดาวน์โหลด

2019.07.14
ขณะนี้ฉันจบการศึกษาจากมหาวิทยาลัยและทำงานอีกประเภทหนึ่ง ดังนั้นโครงการนี้อาจไม่ได้รับการอัปเดตอีกครั้ง

face_pytorch

การใช้อัลกอริทึมการจดจำใบหน้าที่เป็นที่นิยมในกรอบ Pytorch รวมถึง Arcface, Cosface และ Sphereface และอื่น ๆ

รหัสทั้งหมดได้รับการประเมินบน pytorch 0.4.0 ด้วย Python 3.6, Ubuntu 16.04.10, Cuda 9.1 และ Cudnn 7.1 ประเมินบางส่วนบน Pytorch 1.0

การเตรียมข้อมูล

สำหรับการฝึกอบรมของ CNN ฉันใช้ Casia-Webface และทำความสะอาด MS-CELEB-1M ซึ่งสอดคล้องกับ MTCNN ด้วยขนาด 112x112 สำหรับการทดสอบประสิทธิภาพฉันรายงานผลลัพธ์เกี่ยวกับ LFW, AGEDB-30, CFP-FP, Megaface Rank1 และการตรวจสอบ

สำหรับ AGEDB-30 และ CFP-FP ภาพคู่ที่ได้รับการจัดตำแหน่งและภาพการประเมินผลจะถูกกู้คืนจากไฟล์ไบนารี MXNET ที่จัดทำโดย InsightFace เครื่องมือมีอยู่ในที่เก็บนี้ คุณควรติดตั้ง MXNET-CPU ก่อนสำหรับการแยกวิเคราะห์ภาพเพียงแค่ทำ ' PIP ติดตั้ง MXNET ' ก็โอเค
lfw @ baidunetDisk, AGEDB-30 @ BaidUnetDisk, cfp_fp @ baidunetDisk

ผลลัพธ์

MobileFacEnet: การออกจากงานที่อธิบายไว้ใน MobileFacenet
resnet50: โครงสร้าง resnet ดั้งเดิม
resnet50-ir: cnn อธิบายไว้ในกระดาษ Arcface
SeresNet50-IR: CNN อธิบายไว้ในกระดาษ ArcFace

ผลการตรวจสอบเกี่ยวกับ LFW, AGEDB-30 และ CFP_FP

โปรโตคอลขนาดเล็ก: ได้รับการฝึกฝนด้วย Casia-Webface ของขนาดข้อมูล: 453580/10575
โปรโตคอลขนาดใหญ่: ได้รับการฝึกฝนด้วย DeepGlint MS-CELEB-1M ของขนาดข้อมูล: 3923399/86876

ประเภทรุ่น การสูญเสีย LFW อายุ 30 ปี CFP-FP ขนาดรุ่น โปรโตคอล
MobileFacenet อาร์คเฟซ 99.23 93.26 94.34 4MB เล็ก
resnet50-ir อาร์คเฟซ 99.42 94.45 95.34 170MB เล็ก
seresnet50-ir อาร์คเฟซ 99.43 94.50 95.43 171MB เล็ก
MobileFacenet อาร์คเฟซ 99.58 96.57 92.90 4MB ใหญ่
resnet50-ir อาร์คเฟซ 99.82 98.07 95.34 170MB ใหญ่
seresnet50-ir อาร์คเฟซ 99.80 98.13 95.60 171MB ใหญ่
resnet100-ir อาร์คเฟซ 99.83 98.28 96.41 256MB ใหญ่

มีข้อเท็จจริงที่เป็นผลลัพธ์แปลก ๆ ว่าเมื่อการฝึกอบรมภายใต้โปรโตคอลขนาดเล็กการทำงาน CFP-FP ดีกว่า AGEDB-30 ในขณะที่เมื่อการฝึกอบรมด้วยชุดข้อมูลขนาดใหญ่ CFP-FP มีการทำงานแย่ลงกว่า AGEDB-30

megaface อันดับ 1 ความแม่นยำ identifiaction และ verfication@fpr = 1e-6 ผลลัพธ์

ประเภทรุ่น การสูญเสีย MF ACC MF Ver. mf acc.@r mf ver.@r ขนาด โปรโตคอล
MobileFacenet อาร์คเฟซ 69.10 84.23 81.15 85.86 4MB เล็ก
resnet50-ir อาร์คเฟซ 74.31 88.23 87.44 89.56 170MB เล็ก
seresnet50-ir อาร์คเฟซ 74.37 88.32 88.30 89.65 171MB เล็ก
MobileFacenet อาร์คเฟซ 74.95 88.77 89.47 91.03 4MB ใหญ่
resnet50-ir อาร์คเฟซ 79.61 96.02 96.58 96.78 170MB ใหญ่
seresnet50-ir อาร์คเฟซ 79.91 96.10 97.01 97.60 171MB ใหญ่
resnet100-ir อาร์คเฟซ 80.40 96.94 97.60 98.05 256MB ใหญ่

การใช้งาน

  1. ดาวน์โหลดซอร์สโค้ดไปยังเครื่องของคุณ
  2. เตรียมชุดข้อมูลรถไฟและรายการรถไฟชุดทดสอบและคู่ทดสอบทดสอบ
  3. ตั้งค่าพา ธ ชุดข้อมูลของคุณเองและพารามิเตอร์อื่น ๆ ใน Train.py
  4. เรียกใช้ไฟล์ train.py ความแม่นยำในการทดสอบจะพิมพ์ลงในไฟล์บันทึกในระหว่างกระบวนการฝึกอบรม
  1. ไฟล์ประเมินทุกไฟล์สามารถทำงานได้อย่างอิสระสำหรับกระบวนการทดสอบแบบจำลอง เพียงแค่ตั้งค่า args ของคุณเองในไฟล์

การแสดงภาพ

การสนับสนุนการสูญเสียและความแม่นยำในระหว่างกระบวนการฝึกอบรม
อวตาร

การสูญเสีย Softmax เทียบกับการสูญเสีย Softmax_center ซ้าย: ชุดฝึกซ้อม SoftMax ขวา: ชุดฝึกซ้อมการสูญเสีย Softmax + ศูนย์

รถไฟรถไฟ

การอ้างอิง

mugglewang/cosface_pytorch
xiaoccer/mobilefacenet_pytorch
treb1en/insightface_pytorch
DeepInsight/InsightFace
Kaiyangzhou/pytorch-center-loss
Tengshaofeng/Residualattentionnetwork-Pytorch

สิ่งที่ต้องทำ

  1. รายงานผลการทดสอบเกี่ยวกับการท้าทาย DeepGlint Trillion คู่
  2. เพิ่ม C ++ API สำหรับการปรับใช้อย่างรวดเร็วด้วย pytorch 1.0
  3. ฝึกอบรมโมเดลที่ใช้ RESNET100
ขยาย
ข้อมูลเพิ่มเติม
แอปที่เกี่ยวข้อง
แนะนำสำหรับคุณ
ข้อมูลที่เกี่ยวข้อง ทั้งหมด