人脸识别
人脸识别
城俊BLOG
从此好好码代码。。
展开
-
生成人脸图像样本对,测试precision, recall
def get_id_prob_imgs(id_path, prob_path): # 这里假设id图片只有一层目录,每个id一张照片; prob照片有两层目录,第一层子目录为id名称,子目录下面才是prob照片 id_imgs = [os.path.join(idpath,i) for i in os.listdir(id_path)] probsubpaths = [os.path.join(probpath,i) for i in os.listdir(probpath)]原创 2021-08-21 12:02:43 · 217 阅读 · 0 评论 -
人脸检测问题
问题:检测的位置完全不对。可能的原因:1)人脸检测模型精度不好,导致SFD检测的结果输入到Onet关键点预测,结果也不好2)人脸太大,需要进一步resize到较小的尺寸解决方法:1)重新训练,提高人脸检测模型的精度2)首先通过检测的置信度分数(score)过滤出来这些检测得不好的人脸样本。然后有下面几种方法可供选择:2.1)进一步resize到较小尺寸 ,然后再检测,看是否能检测正确2.2)级联其他检测模型(如MTCNN,retinaFace等等),进一步检测2.3)通过中心点crop.原创 2021-06-25 11:40:26 · 453 阅读 · 3 评论 -
mxnet根据相似度进行人脸样本对图片清理
背景:每个ID有ID图片和prob图片做法:加载模型,提取特征,计算id和prob的平均相似度,排序,保存import numpy as npimport osimport mxnet as mxfrom menpo.visualize import print_progressfrom collections import namedtupleBatch = namedtuple('Batch', ['data'])def constructmodel(prefix, ctx, epo原创 2021-06-21 17:22:49 · 221 阅读 · 2 评论 -
几种人脸识别的loss和改进思路
https://resources.wolframcloud.com/NeuralNetRepository/resources/2D-Face-Alignment-Net-Trained-on-300W-Large-Pose-Datahttp://www.cbsr.ia.ac.cn/users/xiangyuzhu/projects/3DDFA/Database/300W-LP/main.htm[300W-3D]: https://drive.google.com/file/d/0B7OEHD3T4e原创 2020-09-07 15:17:12 · 1158 阅读 · 0 评论 -
dlib调用出错 Invoked with: <dlib.shape_predictor object at 0x7f9cf6d17bb0>, array(
代码:path_to_dlib_model = "dlib_models/shape_predictor_68_face_landmarks.dat"predictor = dlib.shape_predictor(path_to_dlib_model)face_locations = predictor(gray, 1)报错: face_locations = args.predictor(gray, 1)TypeError: __call__(): incompatible func原创 2021-01-13 14:10:21 · 3638 阅读 · 1 评论 -
人脸检测和对齐,关键点坐标仿射变换
https://docs.opencv.org/3.4/d4/d61/tutorial_warp_affine.html原创 2020-12-16 02:21:45 · 3716 阅读 · 0 评论 -
ijbb官方测试代码
浏览地址:https://nigos.nist.gov/facechallenges/data/IJBC/下载地址:https://nigos.nist.gov/facechallenges/data/IJBC/IJB-C_Protocols_update.tar.gz根据官方介绍,ijb-c的protocol应该是包含了三个数据集的测试代码。原创 2020-09-08 17:51:16 · 3002 阅读 · 1 评论 -
pytorch RuntimeError: size mismatch, m1: [16 x 86016], m2: [25088 x 512] at /opt/conda/conda-bld/pyt
报错内容:Traceback (most recent call last): File "/home/user1/main_arc_face.py", line 534, in <module> main() File "/home/user1/main_arc_face.py", line 315, in main val_loss, prec1 = validate(val_loader, model, criterion) File "/home/user1原创 2020-06-18 14:08:43 · 4017 阅读 · 0 评论 -
Pytorch ArcFace人脸属性预测报错 RuntimeError: Dimension out of range (expected to be in range of [-1, 0], bu
代码loss.append(criterion(output, target, ))报错: RuntimeError: Dimension out of range (expected to be in range of [-1, 0], but got 1)原因:出现这个问题不一定是 这里 所说的,第一维输入的是0/1不是概率值,也有可能是第一和第二两个维度的shape不匹配,或者说长度不一样导致的。也就是网络的输出和ground truth target的size不匹配。如果强制修改网络结构的原创 2020-06-18 11:07:28 · 2324 阅读 · 0 评论 -
Pytorch多标签损失函数MultiLabelSoftMarginLoss报错RuntimeError: The size of tensor a (128) must match the size
代码:import torch.nn as nncriterion = nn.MultiLabelSoftMarginLoss(weight=w)# train on celeba train set and lfwa train settrain_dataset = CelebA(args.data, 'train_40_att_list.txt', transforms.Compose([ transforms.Resize((250, 250)), transforms.Ran原创 2020-06-16 08:50:01 · 7602 阅读 · 0 评论 -
LAP, UTKFace,webface, morph II 人脸数据集
LAP15 / LAP16:http://chalearnlap.cvc.uab.es/ (old:http://gesture.chalearn.org/)UTKFace:https://susanqq.github.io/UTKFace/原创 2020-05-21 17:06:38 · 3543 阅读 · 1 评论 -
IMDB-WIKI人脸属性数据集解析,dob matlab序列号转为出生日期
地址:https://data.vision.ee.ethz.ch/cvl/rrothe/imdb-wiki/内容:wiki_crop.tar(做了人脸的crop 1G),wiki.tar.gz(没有crop的 3G)应该根据需要下载一个就行属性:原创 2020-05-15 17:01:24 · 1396 阅读 · 4 评论 -
LFWA人脸属性数据集解析
地址:文件内容:1,人脸照片lfw.zip 2,40类的属性标注lfw_att_40.mat 3,73类的属性标注lfw_att_73.mat 4,训练测试划分indices_train_test.mat属性:40属性:5_o_Clock_Shadow' Arched_Eyebrows' Attractive' Bags_Under_Eyes' Bald' Bangs' Big_Lips' Big_Nose' Black_Hair' ..原创 2020-05-15 10:11:18 · 2850 阅读 · 3 评论 -
CelebA人脸属性数据集解析
地址:http://mmlab.ie.cuhk.edu.hk/projects/CelebA.html内容:celebA/Anno/list_attr_celeba.txt属性:5_o_Clock_Shadow ;Arched_Eyebrows ;Attractive ;Bags_Under_Eyes ;Bald ;Bangs ;Big_Lips ;Big_Nose ;Black_Hair ;Blond_Hair ;Blurry ;Brown_Hair ;Bushy_Eyebrows ;Chub原创 2020-05-15 11:05:34 · 2291 阅读 · 0 评论