LightCNN下載LightCNN源代碼下載

LightCNN

Python

1.0.0

下載

光線CNN可用於深面識別，在Pytorch中

Xiang Wu的Pytorch the Pytorch實施，用於深臉代表，並用Xiang Wu的噪聲標籤運行，Ran He，Zhenan Sun和Tieniu Tan。可以在此處找到官方和原始的咖啡式代碼。

更新

2022年2月9日
- 光CNN V4預處理模型已發布。
2018年1月17日
- 發行了光CNN-29 V2型號和培訓代碼。 LFW上的100% - EER達到99.43％ 。
- Megaface上的SET 1的性能在Rank-1精度上獲得76.021％ ，而TPR@far = 10^-6的性能為89.740％ 。
2017年9月12日
- 發行了Light CNN-29模型和培訓代碼。 LFW上的100% - EER可實現99.40％ 。
- Megaface上的SET 1的性能在Rank-1精度上獲得72.704％ ，而TPR@far = 10^-6的性能為85.891％ 。
2017年7月12日
- 發行了Light CNN-9模型和培訓代碼。 LFW上的100% - EER獲得98.70％ 。
- Megaface上的SET 1的性能在Rank-1的精度上獲得了65.782％ ，TPR@far = 10^-6的表現為76.288％ 。
2017年7月4日
- 存儲庫是建造的。

安裝

在網站之後安裝Pytorch。
克隆這個存儲庫。
- 注意：我們目前僅在Python 2.7上運行它。

數據集

下載face數據集，例如Casia-Webface，VGG-FACE和MS-CELEB-1M。
- MS-CELEB-1M清潔列表已上傳：Baidu Yun，Google Drive。
所有臉部圖像均轉換為灰度圖像，並根據地標將標準歸歸一化為144x144 。
根據五個面部點，我們不僅水平旋轉兩個眼點，而且還設置了眼中點與嘴中點之間的距離（EC_MC_Y）和眼中的Y軸（EC_Y）。
對齊的LFW圖像上傳在百度Yun上。
數據集尺寸 EC_MC_Y ec_y
訓練集 144x144 48 48
測試集 128x128 48 40

數據集	尺寸	EC_MC_Y	ec_y
訓練集	144x144	48	48
測試集	128x128	48	40

訓練

要使用火車腳本來訓練Light CNN，只需指定在train.py中列出的參數作為標誌或手動更改它們。

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：
- 火車和Val數據集的列表之後是Caffe的格式。數據加載程序的詳細信息顯示在load_imglist.py中。或者，您可以使用torchvision.datasets.ImageFolder加載數據集。
- num_classes表示培訓數據集中的身份數量。
- 當Pytorch訓練時，您可以設置比Caffe更高的學習率，並且Pytorch比Caffe更快地收斂於Light CNN。
- 我們擴大了FC2參數的學習率，這可能會帶來更好的性能。如果培訓在您自己的數據集中崩潰，則可以將其降低。
- 由於官方的Pytorch實施與Sutskever ET不同，因此我們將使用動量修改SGD的實現。 al。詳細信息如下所示。
- LightCNN-29V2的訓練數據集為Casia-Webface和MS-Celeb-1m，因此， num_classes為80013 。

評估

評估訓練有素的網絡：

 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來評估ROC上的功能，並為您的測試數據集獲取EER和TPR@FPR 。
LightCNN-9的模型在Google Drive上發布。
- 請注意，已發布的模型包含光CNN模塊和優化器的整個狀態。加載模型的詳細信息可以在train.py中找到。
LightCNN-29的模型在Google Drive上發布。
LightCNN-29 V2的模型在Google Drive上發布。
LightCNN-9的LFW和Megaface的功能已發布。
LightCNN V4的模型在Google Drive上發布。
- LightCNN V4的詳細結構顯示在light_cnn_v4.py中
- 輸入是一個對齊的128*128 BGR面圖像。
- 輸入像素值通過平均值（[0.0，0.0，0.0]）和STD（[255.0，255.0，255.0]）歸一化。

表現

LFW 6,000對的輕型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協議上的光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

如果您使用我們的模型，請引用以下論文：

 @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}
}