在移动设备上高速高精度的人脸识别:MobileId

最新推荐文章于 2024-04-13 09:30:27 发布
转载 最新推荐文章于 2024-04-13 09:30:27 发布 · 3.3k 阅读 · 6
文章标签：

#脸部识别

提出了一种神经元选择方法来选择与人脸识别最相关的神经元。使用被选择的神经元作为监督来模拟 DeepID2+ 和 DeepID3（这是当前最佳的人脸识别系统）的单个网络，一个带有简单网络结构的紧凑学生网络可以在 LFW 上分别实现比其教师更好的验证准确度。当使用 DeepID2+ 的组合作为教师时，一个模仿学生可以实现比其更好的表现并实现 51.6 倍的压缩率和 90 倍的推理速度提升，使得可将这种笨重的模型应用于便携式设备。


 

 

查看原文


论文


源码

https://github.com/liuziwei7/mobile-id


Mobile_id.caffemodel

http://download.youkuaiyun.com/detail/wuzuyu365/9887661


lfw.zip 

链接：http://pan.baidu.com/s/1bp8dKiN密码：p04y






移动端人脸识别实战指南：基于 Google ML Kit 的深度解析与创新实践
Sapphire521的博客
05-25 121
移动端人脸识别实战指南：基于 Google ML Kit 的深度解析与创新实践
移动端活体检测ocr识别技术
ZsHua_18519103264的博客
02-28 2114
移动端人脸活体识别技术,活体检测技术产品简介移动端人脸活体识别技术技术主要分为两部分：   第一部为前端人脸活体检测技术，主要支持android、ios平台，在前端通过眨眼、张嘴、摇头、点头等组合动作，确保操作的为真实活体人脸。   第二部为后台移动端人脸活体识别技术，该环节通过在活体检测技术环节取得整张人脸图像后，再通过扫描识别身份证，取到身份证头像后，将现场人脸与身份证上的人脸进行比对识别，判...
facerecognize-for-mobile-phone:适用于移动端的人脸识别模型，计算量与mobilefacenet相同，但megaface上提升了2％+
03-09
手机面部识别 适用于移动端的人脸识别模型，计算量于mobilefacenet相同，但megaface上提升了2％+。我训练的mobilefacenet在megaface VER上比原作者高出了2％，因为训练的数据和方法不一样。 2020.02.24添加GPU模型r100fc，megaface rank1 99.00％+ 模型在各个数据集上表现如下： 方法 拖鞋（112x112） LFW 计划生育计划 年龄数据库 Megaface-Id Megaface-Ver @ 1e-6 备注 MobileFaceNet440，R 440M 99.70+ 96.70+ 96.95+ 92.85+ 94.20+ 未开源 ZW350 356M 99.70+ 96.82+ 97.00+ 93.90+ 94.70+ 未开源 ZW400 404M 99.70+ 96.95+
移动端人脸识别活体检测，高效集成
OCR_winner的博客
12-02 1308
一、应用背景： 随着手机的刷脸解锁，支付宝的刷脸支付，人脸识别的时代已经到来。人脸识别系统逐渐开始商用，并向着自动化、无人监督化的趋势发展。然而目前人脸识别技术能识别人脸图像的身份但无法准确辨别所输入人脸的真伪。那么如何自动地、高效地辨别图像真伪,抵抗欺骗攻击以确保系统安全，已成为人脸识别技术中一个迫切需要解决的问题。在通过人脸识别进行一系列的后续操作中，其中一个关键环节为活体检测。人脸活体检测技...
5移动端人脸识别_移动端SDK的人脸识别技术是怎么样的？
weixin_35378583的博客
01-13 275
在生活中，许多地方都需要进行实名认证，如银行开户、购买火车票、电信实名、入住酒店等，都需要出示身份信息。实名制在很大程度上提高了安全性，但也有许多不法分子利用伪实名，给社会造成一定的安全隐患。而人证比对系统则能杜绝伪实名，通过人脸识别和证件比对，确保人、证是同一个人。人脸识别在现在很多的项目中都有应用,最常见的就属此次315曝光的支付宝刷脸登录,当然支付宝也出来做了澄清,我们还是需要相信科技的.支...
人脸识别（MobileNet-V2）
炉边碎语
06-17 2829
应用场景 单人：支付、解锁…… 小范围：智能门锁…… 中范围：考勤打卡…… 大范围：小区门禁…… 小区门禁的精度可以很高。（训练集和测试集的重叠度高） 一开始精度很低，摄像头采集数据作为样本，进行训练（加入特征库），随着样本越来越多，精度也越来越高。 人脸识别很难通用，因为样本很难采集，需要各个角度、质量较高的人脸照片。 识别过程 经过 MTCNN 找出人脸，剪切下来放到 MobileNet-V2 中提取特征。 将得到的特征和特征库中的特征进行比较，根据相似度进行识别。 衡量相似度 欧氏距离：x·w 余弦相
Python实现面部模型压缩：MobileID的神经元知识蒸馏
MobileID项目结合了知识蒸馏和面部识别模型压缩，目的是开发出能够在移动设备上高效运行的小型面部识别模型。这样的模型可以用于各种应用场景，例如安全认证、用户界面个性化、以及社交媒体中的图像标注等。 项目的...
sample-mobileid-inapp-common-backend:“ MobileID InApp”集成的示例后端
04-22
注册和身份验证可以在商家的网站上或在移动应用程序上开始。 示例后端服务器使用OIDC协议与Signicat进行通信。 先决条件 在构建示例服务器之前，需要安装和配置以下软件。 节点（14.7.0或更高版本）： ://nodejs....
Python-MobileID通过将知识从神经元中蒸馏出来的面部模型压缩
08-11
在实际应用中，这样的项目可以帮助开发者在移动设备上部署高效的面部识别系统，同时保持相对较高的识别精度。这对于移动安全、身份验证和增强现实等应用场景具有重要意义。通过Python-MobileID，开发者不仅可以学习...
MobileID InApp集成示例后端服务器的搭建与配置
在移动应用中集成身份验证服务是一个常见的需求，尤其是在需要对用户进行身份验证和授权时。MobileID InApp是Signicat提供的一个服务，它允许开发者在应用程序中直接集成移动身份认证功能。通过集成MobileID InApp...
MobileFaceNets: Efficient CNNs for Accurate Real- Time Face Verification on Mobile Devices
chenaxin的博客
03-25 890
摘要   我们展示了一类极其高效的CNN模型MobileFaceNets，它使用不到100万个参数，专门为移动和嵌入式设备上的高精度实时人脸验证而定制。我们首先简单分析了普通移动网络在人脸验证方面的弱点。我们专门设计的手机已经很好地克服了这个弱点。在相同的实验条件下，我们的MobileFaceNets获得了显著更高的精度，以及比MobileNetV2高出2倍以上的实际加速。经过ArcFace loss在精致的MS-Celebe-1M上的训练，我们4.0MB大小的单个MobileFaceNet在LFW上实现了
人脸识别小程序Demo
09-10
当下的时代，人工智能很是流行，而人脸识别作为一个其中的一个很重要的领域，这里打包了一个人脸识别的代码包，包括小程序页面和后端代码
mobile_id.caffemodel
07-03
MobileId要用的caffemodel
LightFaceNet Model
08-04
Model of SqueezeFaceNet and MobileFaceNet. The full project at my github(https://github.com/SelinaFelton/LightFaceNet)
基于MobileNet的人脸表情识别系统
babyai996的博客
05-21 564
3. 模型选择：选择适合人脸表情识别任务的模型，MobileNet是一种轻量级的卷积神经网络，适合在移动设备上进行实时的人脸表情识别。4. 模型训练：使用准备好的数据集对模型进行训练，通过反向传播算法不断调整模型参数，使得模型能够更好地识别不同的表情。需要注意的是，在实际应用中，还需要考虑到人脸检测、人脸对齐等问题，以提高人脸表情识别的准确率和鲁棒性。5. 模型评估：使用测试集对训练好的模型进行评估，计算模型的准确率、召回率等指标，以评估模型的性能。
探秘MobileFace：轻量级、高效的移动端人脸识别库
最新发布
gitblog_00030的博客
04-13 1134
探秘MobileFace：轻量级、高效的移动端人脸识别库 去发现同类优质开源项目:https://gitcode.com/ 在如今的数字化世界里，人脸识别技术已经成为一个不可或缺的部分，广泛应用于安全验证、社交应用和智能设备等场景。如果你正在寻找一个专为移动端设计的高效且易于集成的人脸识别库，那么无疑是你的不二之选。 项目简介 MobileFace是一款开源的轻量化人脸识别框架，专门为移动平台（包...
【人脸识别/轻量级模型】MobileFaceNet：适用于人脸识别的轻量级网络模型（文末附pytorch代码）
Roaddd的博客
02-06 6325
MobileFaceNet：用于人脸识别的轻量级网络模型
移动端的人脸检测及去重算法实践
Audio and Video Development
09-06 3987
       由于移动嵌入式设备本身硬件的性能的限制，在运行上需要优化检测、去重等算法，保证APP运行流畅。影响人脸检测运行速度因素主要在输入图片大小，神经网络模型选择和训练模型的数据量等。       人脸检测中使用caffe2来训练SSD模型，SSD网络分为两大部分，前半部分采用VGG16的结构去提取特征图谱（feature map），后半部分采用特征金字塔结构，在所级联的6层卷积网络上分别...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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