1 原文
米汀.复杂环境下的人脸识别系统设计与实现[D].电子科技大学,2019.
2 人脸检测模块
改进了 MBLBP 特征,提出了改进后的 SE-DMBLBP 特征
SE-DMB-LBP(Statistically Effective Discrete Multi Scale Block Local Binary Pattern)特征
基于 Adaboost 方法进行训练
作者采集发布的数据集 Oriental Face Dataase Illumination Database(OFID)
3 活体检测模块
3.1 光流活检
3.2 基于双目近红外+RGB 摄像头的活体检测算法
作者的方法
cal_color_score 计算彩色分量来抵挡黑白攻击
将可见光照片的 ROI 区域从 BGR 颜色空间变换至 HSV 颜色空间,统计饱和度分量(Saturate)在 range(0,255),interval = 1 的概率分布。将最大的 20 个概率值累加求和 sum,如果 sum > 0.72 则可以判断为黑白照片
一些材质的成像特性
使用硒鼓打印的图片可以正常成像而喷墨和激光打印的图像无法正常成像
效果基本都没有 Patch and Depth Based CNN 好,速度比较快
4 加速推理模块
作者提出:基于 Softmax Loss 改进算法
MFLOPS(megaFLOPS)=
1
0
6
10^6
106 FLOPS
GFLOPS(gigaFLOPS)=
1
0
9
10^9
109 FLOPS
TFLOPS(teraFLOPS)=
1
0
12
10^{12}
1012 FLOPS
PFLOPS(petaFLOPS)=
1
0
15
10^{15}
1015 FLOPS
FLOPS:Floating-point operations per second 每秒浮点运算次数
这里FLOPs 是浮点运算次数
这里 sockets 指代处理器浮点运算指令发射通道数(例如 IntelHaswell 微架构的发射端口为 2 个port0 和 port1)
cores 指代处理器物理核心数
cycles 指代处 理器额定主频单位时间时钟周期数
上式也是处理器理论峰值计算公式
其中诸多细节可能导致误差:包括但不限于缓存大小与一致性,总线带宽与内存架构,指令集流水线优化等等。实际上现代处理器无论CPU 还是 GPU,主要的性能瓶颈都来自储存器。尤其是 GPU 运算单元的总峰值吞吐能力远远超过访存的峰值带宽。处理器理论峰值实际上很难达到。
池化操作的计算量是卷积的 1/8
另一 个影响 CNN 在 处 理器 上执 行 效率 的概 念:内 存 访问 消 耗(MAC,memoryaccesscost),这里的内存还指代了处理器的缓存(cache)
特征大小记为两次 MAC(至少一读一写)
参数大小记为一次MAC(至少一次读取)
5 特征提取模块
Center Loss / Triplet Loss / L-Softmax Loss / A-Softmax Loss / Large Margin Cosine Loss
评价
★★★★★