原
【论文笔记】VGGFace2——一个能够用于识别不同姿态和年龄人脸的数据集
2018年01月10日 14:53:31
有来有去-CV
阅读数:6701
<span class="tags-box artic-tag-box">
<span class="label">标签:</span>
<a data-track-click="{"mod":"popu_626","con":"人脸识别"}" class="tag-link" href="http://so.csdn.net/so/search/s.do?q=人脸识别&t=blog" target="_blank">人脸识别 </a><a data-track-click="{"mod":"popu_626","con":"数据"}" class="tag-link" href="http://so.csdn.net/so/search/s.do?q=数据&t=blog" target="_blank">数据 </a><a data-track-click="{"mod":"popu_626","con":"深度学习"}" class="tag-link" href="http://so.csdn.net/so/search/s.do?q=深度学习&t=blog" target="_blank">深度学习 </a>
<span class="article_info_click">更多</span></span>
<div class="tags-box space">
<span class="label">个人分类:</span>
<a class="tag-link" href="https://blog.csdn.net/shaoxiaohu1/article/category/1865945" target="_blank">CV参考资料 </a>
</div>
<div class="tags-box space">
<span class="label">所属专栏:</span>
<a class="tag-link" href="https://blog.csdn.net/column/details/cv-paper-reading.html" target="_blank">CV论文笔记</a>
</div>
</div>
<div class="operating">
</div>
</div>
</div>
</div>
<article class="baidu_pl">
<div id="article_content" class="article_content clearfix csdn-tracking-statistics" data-pid="blog" data-mod="popu_307" data-dsm="post">
<div class="article-copyright">
版权声明:本文为shaoxiaohu原创文章,欢迎转载,请注明出处,谢谢。 https://blog.csdn.net/shaoxiaohu1/article/details/79007477 </div>
<div id="content_views" class="markdown_views prism-atom-one-dark">
<!-- flowchart 箭头图标 勿删 -->
<svg xmlns="http://www.w3.org/2000/svg" style="display: none;"><path stroke-linecap="round" d="M5,0 0,2.5 5,5z" id="raphael-marker-block" style="-webkit-tap-highlight-color: rgba(0, 0, 0, 0);"></path></svg>
<p>####参考文献:*** ***<br>
Cao Q, Shen L, Xie W, et al. VGGFace2: A dataset for recognising faces across pose and age[J]. 2017.
####简介
VGGFace2 是一个大规模人脸识别数据,包含331万图片,9131个ID,平均图片个数为362.6。这个数据集有以下几个特点:
1)人物ID较多,且每个ID包含的图片个数也较多。
2)覆盖大范围的姿态、年龄和种族。
3)尽可能地使噪声最少。
作者使用ResNet-50和SE分别在VGGFace/MSCeleb-1M/VGGFace2分别做训练,使用IJB-A做测试,证明了VGGFace2的最佳训练结果。同时实验也表明,使用MS-Celeb-1M做预训练,再使用VGGFace2做finetune,能够取得更好的效果。
作者不仅公布了数据,也将论文中用到的模型放出:数据链接
数据介绍
该数据集是从谷歌中下载的,包含不同姿态、年龄、光照和背景的人脸图片,其中约有59.7%的男性。除了身份信息之外,数据集还包括人脸框,5个关键点、以及估计的年龄和姿态。下图为VGGFace2和其它人脸数据集的具体指标对比:
![这里写图片描述](https://i-blog.csdnimg.cn/blog_migrate/e9d106c7b0f3bf55ccb5d18cfb3ac7e2.jpeg)
数据集分为训练集和评测集,其中训练集包含8631类,评测集包含500类。评测场景可以按姿态和年龄模板分为两类,模板由5张姿态/年龄接近的同一ID的人脸图片组成,如下图所示:
![这里写图片描述](https://i-blog.csdnimg.cn/blog_migrate/36c2517f44ef6e2a63b7c9e6c7cfd29c.jpeg)
姿态模板
![这里写图片描述](https://i-blog.csdnimg.cn/blog_migrate/4705dd20b1949c5cbbe5466fb6e4a84b.jpeg)
年龄模板
数据的收集和清理工作,由手动和自动完成(清理工作值得借鉴):
![这里写图片描述](https://i-blog.csdnimg.cn/blog_migrate/bf5748c02976b606de34fd16a8ae065d.png)
实验
作者使用了ResNet-50和SE-ResNet-50网络分别在VGGFace/VGGFace2/MS-Celeb-1M上进行训练,在IJB-A上进行测试和对比人脸识别性能。实验证明,相同网络在VGGFace2上训练的识别模型在1:1比对和1:N搜索均取得了更好的结果,进一步地,将MS-Celeb-1M和VGGFace2结合,SE-ResNet-50能够取得最佳的识别结果。(实验也证明了SE-ResNet-50的优越性能,需要在自己的实验中应用一下)
![这里写图片描述](https://i-blog.csdnimg.cn/blog_migrate/d1ab9a7a0c087527d83a722cd8017f93.jpeg)
</div>
<link href="https://csdnimg.cn/release/phoenix/mdeditor/markdown_views-a47e74522c.css" rel="stylesheet">
</div>
</article>