LightCNN下载LightCNN源代码下载

LightCNN

Python

1.0.0

下载

光线CNN可用于深面识别，在Pytorch中

Xiang Wu的Pytorch the Pytorch实施，用于深脸代表，并用Xiang Wu的噪声标签运行，Ran He，Zhenan Sun和Tieniu Tan。可以在此处找到官方和原始的咖啡式代码。

更新

2022年2月9日
- 光CNN V4预处理模型已发布。
2018年1月17日
- 发行了光CNN-29 V2型号和培训代码。 LFW上的100% - EER达到99.43％ 。
- Megaface上的SET 1的性能在Rank-1精度上获得76.021％ ，而TPR@far = 10^-6的性能为89.740％ 。
2017年9月12日
- 发行了Light CNN-29模型和培训代码。 LFW上的100% - EER可实现99.40％ 。
- Megaface上的SET 1的性能在Rank-1精度上获得72.704％ ，而TPR@far = 10^-6的性能为85.891％ 。
2017年7月12日
- 发行了Light CNN-9模型和培训代码。 LFW上的100% - EER获得98.70％ 。
- Megaface上的SET 1的性能在Rank-1的精度上获得了65.782％ ，TPR@far = 10^-6的表现为76.288％ 。
2017年7月4日
- 存储库是建造的。

安装

在网站之后安装Pytorch。
克隆这个存储库。
- 注意：我们目前仅在Python 2.7上运行它。

数据集

下载face数据集，例如Casia-Webface，VGG-FACE和MS-CELEB-1M。
- MS-CELEB-1M清洁列表已上传：Baidu Yun，Google Drive。
所有脸部图像均转换为灰度图像，并根据地标将标准归归一化为144x144 。
根据五个面部点，我们不仅水平旋转两个眼点，而且还设置了眼中点与嘴中点之间的距离（EC_MC_Y）和眼中的Y轴（EC_Y）。
对齐的LFW图像上传在百度Yun上。
数据集尺寸 EC_MC_Y ec_y
训练集 144x144 48 48
测试集 128x128 48 40

数据集	尺寸	EC_MC_Y	ec_y
训练集	144x144	48	48
测试集	128x128	48	40

训练

要使用火车脚本来训练Light CNN，只需指定在train.py中列出的参数作为标志或手动更改它们。

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=n

尖端：
- 火车和Val数据集的列表之后是Caffe的格式。数据加载程序的详细信息显示在load_imglist.py中。或者，您可以使用torchvision.datasets.ImageFolder加载数据集。
- num_classes表示培训数据集中的身份数量。
- 当Pytorch训练时，您可以设置比Caffe更高的学习率，并且Pytorch比Caffe更快地收敛于Light CNN。
- 我们扩大了FC2参数的学习率，这可能会带来更好的性能。如果培训在您自己的数据集中崩溃，则可以将其降低。
- 由于官方的Pytorch实施与Sutskever ET不同，因此我们将使用动量修改SGD的实现。 al。详细信息如下所示。
- LightCNN-29V2的训练数据集为Casia-Webface和MS-Celeb-1m，因此， num_classes为80013 。

评估

评估训练有素的网络：

 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)

您可以使用vlfeat或sklearn来评估ROC上的功能，并为您的测试数据集获取EER和TPR@FPR 。
LightCNN-9的模型在Google Drive上发布。
- 请注意，已发布的模型包含光CNN模块和优化器的整个状态。加载模型的详细信息可以在train.py中找到。
LightCNN-29的模型在Google Drive上发布。
LightCNN-29 V2的模型在Google Drive上发布。
LightCNN-9的LFW和Megaface的功能已发布。
LightCNN V4的模型在Google Drive上发布。
- LightCNN V4的详细结构显示在light_cnn_v4.py中
- 输入是一个对齐的128*128 BGR面图像。
- 输入像素值通过平均值（[0.0，0.0，0.0]）和STD（[255.0，255.0，255.0]）归一化。

表现

LFW 6,000对的轻型CNN性能。

模型	100％ - eer	tpr@far = 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％

LFW BLUFR协议上的光CNN性能

模型	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％

Megaface上的Light CNN性能

模型	排名1	TPR@far = 1e-6
Lightcnn-9	65.782％	76.288％
Lightcnn-29	72.704％	85.891％
Lightcnn-29v2	76.021％	89.740％

引用

如果您使用我们的模型，请引用以下论文：

 @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}
}