猫猫与橙子的博客

人脸识别训练难点：数据量大（类别通常都是上十万，上百万）训练当中常见注意要点：1.尽管训练样本量大，但是任然需要使用预训练模型，目的是加速模型收敛；2.加载预训练模型时，最好加载在cpu上，加载在gpu上，模型参数会占显卡；checkpoint = torch.load(args.BACKBONE_RESUME_ROOT, map_location=torch.device('cpu'))...

论文链接|：https://arxiv.org/pdf/1909.00632.pdf竞赛地址|：https://ibug.doc.ic.ac.uk/resources/lightweight-face-recognition-challenge-workshop/出处| ：ICCV19-Lightweight face recognition challenge (排名：第一)作者|：来自香港中文大学和商汤科技目录一、该文的关键内容二、训练细节三、新的loss函数四、网络结构

论文链接：https://arxiv.org/abs/1907.12256作者提出该方法的动机：在使用MobileFaceNet从头训练使用ArcFaceloss，使用小的输入尺寸，模型难以拟合（所以作者提出了Li-ArcFace）； 为人脸识别设计的小网络较少；论文的贡献：基于ArcFace loss提出了Air-Face loss 改进了MobileFace网络结构； 引入...

最近在做两个项目，人脸识别和判断人脸是否被遮挡；1.先谈谈人脸识别我是从中途接手的人脸识别项目，什么人脸检测，人脸对齐都是后知后觉接触到的，然后目的是训练一个小模型的人脸识别模型，但是直接上mobileFace，数据不太够，效果一般，然后就使用了《CBAM:Convolutional Block Attention Module》这篇论文中提到的注意力机制，效果怎么样了，以下结果是未初始化...

最近训练了一个人脸识别模型，在测试集上的效果较之前的模型相比（lfw,cfp_fp,agedb_30），accucay都有所提升,但是在自己的测试集效果上却特别差。然后仔细的研读了相应的测试代码，先把训练工程中的代码贴出来：diff = np.subtract(embeddings1, embeddings2)#做减法dist = np.sum(np.square(diff), 1)#计算...

论文完整题目：shrinkTeaNet:Million-scale Lightweight Face Recognition via Shrinking Teacher-StudentNetworks论文链接：https://arxiv.org/abs/1905.10620v1作者的动机：性能好的人脸识别网络由于其庞大的参数和复杂的网络结构比较困难，作者想要得到一个小型但是精度又还可以与...

论文链接：https://arxiv.org/abs/1906.00619作者的动机：本篇文章提出了一种对人脸识别模型压缩的方法：基于student-teacher paradigm 的脸部识别运用；模型加速是通过降低输入图像的精度，使用相同的网络结构，从而使模型参数不减少，由于图像尺寸减少，数据储存空间也随之减少，整体架构图：作者提出的方法：作者使用了三种方法来提升输入低精度...

最近要做人脸表情识别，根本没有过机器学习的经验，只能硬着头皮开始；首先，我在Thinkface上找了一些资料，了解了一些有关人脸方面的文档，和目前发展的近况；因为之前有学习过《深入理解OpenCV》这本书，它里面的第八章的人脸识别的代码我有运行过，所以对于人脸检测有一定的了解；其次，接下来我就进行了人脸对齐操作，人脸对齐的作用是什么了？here并进行了“3000fps”的测试，中间遇到了很

1.用OpenCV实现人脸检测   OpenCV2.4带有各种训练好的检测器，这些检测器以XML格式保存，可用于各种应用。下面列出一些常用的检测器（名称）：人脸检测器（默认）、人脸检测器（快速的Haar）、人脸检测器（快速的LBP）、人脸检测器的属性（侧视）、眼部检测器（分为左眼和右眼）、嘴部检测器、鼻子检测器和整个人身体的检测器。详细可以阅读《深入理解OpenCV》的第八章，有详