你的浏览器禁用了JavaScript, 请开启后刷新浏览器获得更好的体验!
输入关键字进行搜索
搜索:
没有找到相关结果
刘昕_ICT
赞同来自: xinmiao 、李扬 、孙琳钧 、disheng 、last_one 、hphuanglei 、happynear 、coolwyj 、阅微草堂 、july_zhu更多 »
星空下的巫师 - https://github.com/shicai/Caffe_Manual
赞同来自: xinmiao 、seallhf 、阅微草堂 、Quiet_cbo
disheng
赞同来自:
SuperStar
要回复问题请先登录或注册
4 个回复
刘昕_ICT
赞同来自: xinmiao 、李扬 、孙琳钧 、disheng 、last_one 、hphuanglei 、happynear 、coolwyj 、阅微草堂 、july_zhu更多 »
1. 采集海量的人脸图像,例如WebFace数据集(包含10,575人,近50万张图像),训练初始的general人脸识别模型。可以完全随机初始化,也可以从imagenet上fine-tune, 以WebFace数据集为训练集,在LFW上测试,在imagenet上finetune的模型在实际中可观测到0.5%的性能提升。严格说,这并不具备统计上的显著性,但是可以认为imagenet的fine-tune是无害的。
2. Fine-tune的策略设计
我的师兄,李绍欣博士在博士论文中给了这样一张图:
最外端是随机图像,然后是自然图像,最后是人脸图像(WebFace->MultiPIE), 模型的训练过程可以理解为从随机图像(随机初始化)到ImageNet模型,再到一个分布更为general的人脸数据集(WebFace),最后到一个领域特定的人脸数据集。
在实践中,我一般建议有一个足够general的人脸模型,然后在领域特定的数据集上做finetune.
星空下的巫师 - https://github.com/shicai/Caffe_Manual
赞同来自: xinmiao 、seallhf 、阅微草堂 、Quiet_cbo
如果是ImageNet上的模型,考虑到人脸和ImageNet的差异太大,建议还是直接训练。
当然也有例外,比如Oxford VGG最近发的BMVC 2015论文,他们的工作通常都比较solid,而且模型也会开放,非常值得推荐。下载地址见:
http://www.robots.ox.ac.uk/~vgg/software/vgg_face/
disheng
赞同来自:
SuperStar
赞同来自: