Face_Pytorch

2019.07.14
目前，我已經從校園畢業，並從事另一項工作。因此，該項目可能不會再次更新。

face_pytorch

在Pytorch框架中實現流行的面部識別算法，包括街道，界面和界面等。

所有代碼均在Pytorch 0.4.0上評估，使用Python 3.6，Ubuntu 16.04.10，Cuda 9.1和Cudnn 7.1評估。在Pytorch 1.0上進行了部分評估。

數據準備

在CNN培訓中，我使用Casia-Webface並清潔了MS-CELEB-1M，由MTCNN與112x112的大小保持一致。為了進行性能測試，我報告了LFW，年齡30，CFP-FP，Megaface Rank1標識和驗證的結果。

對於AgeDB-30和CFP-FP，從Insightface提供的MXNET二進製文件中還原了對齊的圖像和評估圖像對，該存儲庫中可以使用工具。您應該首先安裝MXNET-CPU進行圖像解析，只需“ pip install mxnet ”即可。
lfw @ baidunetdisk，ageDB-30 @ baidunetdisk，cfp_fp @ baidunetdisk

結果

MobilefaceNet：MobilefaceNet中描述的策略
RESNET50：原始重新結構結構
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上進行驗證結果

小協議：接受數據大小的Casia-Webface培訓：453580/10575
大協議：接受DeepGlint MS-CELEB-1M數據大小培訓：3923399/86876

型號類型	損失	LFW	年齡30	CFP-FP	型號大小	協定
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

有一個奇怪的結果事實，即在小規程下訓練時，CFP-FP的性能要比老年人30更好，而在使用大型數據集進行訓練時，CFP-FP的性能比老齡化的B-30差。

Megaface等級1識別精度和verfication@fpr = 1E-6結果

型號類型	損失	MF ACC。	MF VER。	MFACC。 @r	mf ver。 @r	尺寸	協定
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. 將源代碼下載到您的計算機。
2. 準備火車數據集和火車列表，測試數據集和測試驗證對。
3. 在train.py中設置自己的數據集路徑和任何其他參數。
4. 運行train.py文件，測試精度將在訓練過程中打印到日誌文件中。

---

5. 每個評估文件都可以獨立用於模型測試過程。只需在文件中設置自己的arg。

可視化

在訓練過程中，見點支持損失和準確性。

SoftMax損失與SoftMax_Center損失。左：SoftMax訓練集。右：SoftMax +中心損失訓練集。

參考

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

托多

1. 報告對DeepGlint Boit Pairs挑戰的測試結果。
2. 添加C ++ API，以使用Pytorch 1.0快速部署。
3. 訓練基於RESNET100的模型。