人脸多属性分类

最近转到人脸组，接手的第一件事，就是使用shufflenet进行人脸多属性分类，多属性包括：眼镜（墨镜，透明眼镜，没戴眼镜），口罩（戴口罩，没戴口罩），刘海（遮住眉毛的刘海，没有刘海），帽子（戴了帽子，没戴帽子）；

1）进行数据的收集和处理；

     进入网络的数据我使用了hdf5格式保存。这种格式的数据保存，我使用过程:

      第一步，我使用了python将数据保存为图片名字+标签的的txt文件；

      第二步，使用了python文件生成了多标签的“.h5”文件。

2）进行网络结构的修改；

    shufflenet的末尾使用的dropout，参数设置的是0.5；同时加入了4个fc层，分别对应了四个任务（眼镜，刘海，帽子，口罩），其中眼镜属于细粒度分类，将眼镜层的fc层的输出设置的是3个，其他fc层设置的是2个输出；同时为了节省时间的开销，我将常规的224*224的输入data修改成为了112*112的大小，并将shufflenet 的pooling层给删除了；

3）注意

    a,dropout在训练的时候使用，测试时可以删除dropout层；

    b，我在对多属性进行测试时，忘了加入softmax层，导致结果分数不在0~1之间。

     测试代码：

def proprocess(img):
    tempimg = np.zeros((1, 112, 112, 3))
    scale_img = cv2.resize(img, (112, 112))
    scale_img = (scale_img - 127.5) / 125.0
    tempimg[0, :, :, :] = scale_img
    tempimg = tempimg.transpose(0, 3, 1, 2)
    return tempimg

for img in imgPaths:#遍历测试图片
    num += 1
    print(num)
    clip_img = cv2.imread(img)
    # cv2.imwrite(save_img_dir, clip_img)
    t0 = time.time()
    proprocess_img = proprocess(clip_img)

    net.blobs['data'].data[...] = proprocess_img
    output = net.forward()
    # predictions1 = output[self.outputs[0]]
    # predictions2 = out[self.outputs[1]]
    # predictions3 = out[self.outputs[2]]
    # predictions4 = out[self.outputs[3]]

    mask = copy.deepcopy(net.blobs['fc6_mask'].data[0])
    prob_mask = mask.reshape(-1).argmax()#口罩类别

    hat = copy.deepcopy(net.blobs['fc6_hat'].data[0])
    prob_hat = hat.reshape(-1).argmax()#帽子类别

    liuhai = copy.deepcopy(net.blobs['fc6_bangs'].data[0])
    prob_liuhai = liuhai.reshape(-1).argmax()#刘海类别

    eyeglasses = copy.deepcopy(net.blobs['fc6_eyeglasses'].data[0])
    prob_eyeglasses = eyeglasses.reshape(-1).argmax()#眼镜类别
    t1 = time.time()
    result_time = (t1-t0)*1000#运行一张图片需要的时间
    print("time : "+str(result_time))

（注：代码只有部分，并不能直接运行）