Face_Pytorch

2019.07.14
目前，我已经从校园毕业，并从事另一项工作。因此，该项目可能不会再次更新。

face_pytorch

在Pytorch框架中实现流行的面部识别算法，包括街道，界面和界面等。

所有代码均在Pytorch 0.4.0上评估，使用Python 3.6，Ubuntu 16.04.10，Cuda 9.1和Cudnn 7.1评估。在Pytorch 1.0上进行了部分评估。

数据准备

在CNN培训中，我使用Casia-Webface并清洁了MS-CELEB-1M，由MTCNN与112x112的大小保持一致。为了进行性能测试，我报告了LFW，年龄30，CFP-FP，Megaface Rank1标识和验证的结果。

对于AgeDB-30和CFP-FP，从Insightface提供的MXNET二进制文件中还原了对齐的图像和评估图像对，该存储库中可以使用工具。您应该首先安装MXNET-CPU进行图像解析，只需“ pip install mxnet ”即可。
lfw @ baidunetdisk，ageDB-30 @ baidunetdisk，cfp_fp @ baidunetdisk

结果

MobilefaceNet：MobilefaceNet中描述的策略
RESNET50：原始重新结构结构
resnet50-ir：Acface Paper中描述的CNN
Seresnet50-ir：Arcface Paper中描述的CNN

在LFW，AgeDB-30和CFP_FP上进行验证结果

小协议：接受数据大小的Casia-Webface培训：453580/10575
大协议：接受DeepGlint MS-CELEB-1M数据大小培训：3923399/86876

型号类型	损失	LFW	年龄30	CFP-FP	型号大小	协议
MobilefaceNet	弧形	99.23	93.26	94.34	4MB	小的
RESNET50-IR	弧形	99.42	94.45	95.34	170MB	小的
Seresnet50-ir	弧形	99.43	94.50	95.43	171MB	小的
MobilefaceNet	弧形	99.58	96.57	92.90	4MB	大的
RESNET50-IR	弧形	99.82	98.07	95.34	170MB	大的
Seresnet50-ir	弧形	99.80	98.13	95.60	171MB	大的
resnet100-ir	弧形	99.83	98.28	96.41	256MB	大的

有一个奇怪的结果事实，即在小规程下训练时，CFP-FP的性能要比老年人30更好，而在使用大型数据集进行训练时，CFP-FP的性能比老龄化的B-30差。

Megaface等级1识别精度和verfication@fpr = 1E-6结果

型号类型	损失	MF ACC。	MF VER。	MFACC。@r	mf ver。@r	尺寸	协议
MobilefaceNet	弧形	69.10	84.23	81.15	85.86	4MB	小的
RESNET50-IR	弧形	74.31	88.23	87.44	89.56	170MB	小的
Seresnet50-ir	弧形	74.37	88.32	88.30	89.65	171MB	小的
MobilefaceNet	弧形	74.95	88.77	89.47	91.03	4MB	大的
RESNET50-IR	弧形	79.61	96.02	96.58	96.78	170MB	大的
Seresnet50-ir	弧形	79.91	96.10	97.01	97.60	171MB	大的
resnet100-ir	弧形	80.40	96.94	97.60	98.05	256MB	大的

用法

1. 将源代码下载到您的计算机。
2. 准备火车数据集和火车列表，测试数据集和测试验证对。
3. 在train.py中设置自己的数据集路径和任何其他参数。
4. 运行train.py文件，测试精度将在训练过程中打印到日志文件中。

---

5. 每个评估文件都可以独立用于模型测试过程。只需在文件中设置自己的arg。

可视化

在训练过程中，见点支持损失和准确性。

SoftMax损失与SoftMax_Center损失。左：SoftMax训练集。右：SoftMax +中心损失训练集。

参考

麻瓜/cosface_pytorch
小米/Mobilefacenet_pytorch
treb1en/Insightface_pytorch
DeepInsight/Insightface
kaiyangzhou/pytorch-Center-loss
tengshaofeng/ristualattertionnetwork-pytorch

托多

1. 报告对DeepGlint Boit Pairs挑战的测试结果。
2. 添加C ++ API，以使用Pytorch 1.0快速部署。
3. 训练基于RESNET100的模型。