Sycret

inference.py把在week08训练好的模型放入week4的作业里，替代dlib人脸识别系统中的人脸识别模型，主要是把训练好的模型保存到文件中，然后单独写一个使用模型的文件inference.py测试数据准备：2.jpg 和 3.jpg是同一个人1.jpg是另外一个人先使用dlib试一下更换模型步骤：选择好要换的模型，我这个模型不太行，但是还是将就用一下：model_18_triplet_epoch_12_rocNotMasked0.571_rocMasked0.567notmas

内容太多了。写在一个文章里越写越卡只能分开记录。上篇最后在生成csv文件和triplet文件。csv已经好了，triplet还没；triplet文件在Dataloader_facenet_mask.py文件中。看一下具体是怎么用的。首先看V2 import的了哪些内容：from Data_loader.Data_loader_facenet_mask import test_dataloader,V9_train_dataloaderfrom Data_loader.Data_loader_fac

Target将CBAM加入到Face embedding model训练出一个可识别戴口罩人脸的人脸识别模型。综合来说，就是在week06作业的基础上，在训练集中添加戴口罩的数据集。Steps数据集训练数据集选择：VGGFACE2 的训练集 或者 VGGFACE2的测试集 - 下载完成vggfrace2_test.zip解压缩，得到vggface2_train文件夹 - 由于人脸检测，对齐需要预先处理，所以我们运行week06/image_processing.py，对图片进行检测对齐加口罩处

消融实验：对比不同embedding dim时模型准确率在上次的作业基础上，更换训练数据集，添加测试数据集与代码。步骤0. 环境pip install cmakepip install dlib要等很久，尝试了永久安装路径，cmake可以装到永久路径，但是dlib一装内存就溢出，环境就被关闭了。也不知道为什么。！换了一下环境到GPU，发现好像可以了诶，问题解决。1. 训练集训练数据集选择：VGGFACE2 的训练集 或者 VGGFACE2的测试集- 下载完成vggface2_tra

目标 使用triplet loss跑通人脸识别器的小样本的训练代码步骤triplet计算细节训练过程中的调用triplet计算细节import torchfrom torch.autograd import Functionfrom torch.nn.modules.distance import PairwiseDistanceclass TripletLoss(Function): def __init__(self, margin): super

Assignment 将训练好的活体检测模型使用到人脸识别系统中。Steps基本思路：以dlib为基础做的人脸识别系统为baseline.获取其人脸检测后的结果或人脸对齐后的结果，输入到活体检测模型中，给出结果。考虑到输入为一段视频，可以看做只有color，并不包含ir以及depth图像，所以之前训练的fusion模型不适合，选择重新train一个只有color的活体检测模型。CUDA_VISIBLE_DEVICES=0 python train_CyclicLR.py --model=mod

目标 1. 使用完整的数据集训练facebagnet.对比resnet18 和 SEResnet的效果，给出acer的对比结果。 2. 使用周期余弦退火方法训练，并测试。具体流程1. 数据集准备 [网盘地址](https://pan.baidu.com/s/1-RDeHj0Z9bAVQzX1xrNU8Q) 提取码：ay1y CASIA-SURF数据集，包括了录制的视频、train、test、valid及其相应的标签。phase1文件夹下是train和valid，phase2文件夹

1. 添加loss函数分类问题，使用交叉熵。因为是活体和非活体二分类，所以可以使用BCE Loss。pytorch中的损失函数选择criterion = bce_criterionbce_criterion的话再utils.py中已经有写好了：def bce_criterion(logit, truth, is_average=True): loss = F.binary_cross_entropy_with_logits(logit, truth, reduce=is_average)

安装dlib库直接pip安装dlib库的时候遇到了error：要先安装cmake：pip install cmake再pip安装就可以了。模型文件按照要求要先下载并解压shape_predictor_68_face_landmarks.dat模型文件，发现仓库里已经有了就直接复制了一份到代码文件目录下。predictor = dlib.shape_predictor(r'./shape_predictor_68_face_landmarks.dat') # 同级目录下图片文件pers