UMDFaces数据集与人脸特征点检测

UMDFaces数据集包含367920张人脸图片,适用于人脸识别研究。数据集通过GoogleScraper爬取,经DP2MFD模型和AMT预处理,使用All-in-one CNN估计关键点、姿势和性别。数据清洗采用cosine distance确保纯净。

UMDFaces数据集与人脸特征点检测

 

版权声明:本文为博主原创文章,未经博主允许不得转载。 https://blog.youkuaiyun.com/qq_14845119/article/details/53444032

UMDFaces数据集:

该数据集包含367920张人脸,分别类属于8501个事件类别。提供的人脸信息包括,人脸框,人脸姿势,(yaw,pitch,roll),21个关键点,性别信息等。由于图片尺度,方向等的问题,使得该数据集不适合做人脸检测的训练,适合做人脸识别。

数据集下载地址,http://umdfaces.io/

 

该数据集,主要是使用GoogleScraper从网络爬下的图片,作者使用了DP2MFD model(Deep Pyramid Deformable Parts Model for Face Detection)和AMT(AmazonMechanical Turk)

进行了先期的预处理,从而将人脸都检测出来。然后使用All-in-one CNN进行了关键点,姿势,性别等的估计。

         为了真正保证数据的纯净,作者对其进行了清洗,在清洗每个object中数据的时候,作者使用了cosine distance,定义为(1-cos(seita)),使用了10对图片做相似性的测试,如果10对图片测下的相似度相加,结果小于固定的阈值(10),那么这10对图片就属于同一个人的图片。反之,如果大于10,说明有噪声图片在里面,如果里面只有1对图片的cosine distance大于1,则将这一对图片删除,如果有大于1对的大于1,则去掉其中一个最大值的那对图片,然后继续添加进一对图片,继续进行上面的测试,直到所有的10对图片cosine distance和小于10为止。

         如果某个object被移除超过5对图片,则去掉该object。

         详细的流程如下图所示。

 

安装步骤:

caffe-rc3安装:

要运行该程序,必须安装caffe-rc3这个版本的caffe,

wget https://github.com/BVLC/caffe/tree/rc3
tar -xzvf rc3
cd /caffe-rc3/
mv Makefile.config.example Makefile.config
修改其中库为自己的路径
make matcaffe -j8
make mattest -j8

 

 

到此,证明matcaffe安装成功。

 

UMDFace 安装:

wget http://umdfaces.io/UMD_Fiducials.tar.gz
tar -xzvf UMD_Fiducials.tar.gz
cd /caffe-root/data/ilsvrc12/
get_ilsvrc_aux.sh
cd /caffe-root/examples/UMD_Fiducials/
matlab

点开demo.m

修改其中,caffe_path = '/caffe-rc3/';

运行,会出现下图的运行效果,

内容概要:文章以“智能网页数据标注工具”为例,深入探讨了谷歌浏览器扩展在毕业设计中的实战应用。通过开发具备实体识别、情感分类等功能的浏览器扩展,学生能够融合前端开发、自然语言处理(NLP)、本地存储模型推理等技术,实现高效的网页数据标注系统。文中详细解析了扩展的技术架构,涵盖Manifest V3配置、内容脚本Service Worker协作、TensorFlow.js模型在浏览器端的轻量化部署推理流程,并提供了核心代码实现,包括文本选择、标注工具栏动态生成、高亮显示及模型预测功能。同时展望了多模态标注、主动学习边缘计算协同等未来发展方向。; 适合人群:具备前端开发基础、熟悉JavaScript和浏览器机制,有一定AI模型应用经验的计算机相关专业本科生或研究生,尤其适合将浏览器扩展人工智能结合进行毕业设计的学生。; 使用场景及目标:①掌握浏览器扩展开发全流程,理解内容脚本、Service Worker弹出页的通信机制;②实现在浏览器端运行轻量级AI模型(如NER、情感分析)的技术方案;③构建可用于真实场景的数据标注工具,提升标注效率并探索主动学习、协同标注等智能化功能。; 阅读建议:建议结合代码实例搭建开发环境,逐步实现标注功能并集成本地模型推理。重点关注模型轻量化、内存管理DOM操作的稳定性,在实践中理解浏览器扩展的安全机制性能优化策略。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值