[深度学习进阶 - 实操笔记]Arc-face人脸识别

ArcFace人脸识别实操

这里我使用这个链接下面的源码：github：Arc-Face-pytorch源码

1. 数据准备

（1）训练数据集：

① 使用和源代码相同的数据集：CASIA-WebFace
② 首先要对数据进行清洗。CASIA-WebFace 整个数据集有4.1GB，但是其中存在一些不清晰或者有问题的数据。可以通过网上整理的干净图片列表（cleaned_list.txt）自己进行整理。
CASIA-WebFace数据集：谷歌云
③ 标签：这里要自己生成标签txt。标签格式为：图片路径 类别。（有多少个人就有多少种类别）

（2）测试训练集：

① 使用 lfw-align-128 数据集 里面包括5000多个人的照片。
② 标签包 lfw_test_pair.txt，标签的格式为：人脸A 人脸B 标签。(A/B的图片路径，对应上面的数据集，以及是否为同一个人，1为同一个人，0为不是一个人)

2. 网络结构

主要有多个小模块拼接起来。这里代码里面有多个子块可以供选择 。源代码是用resnet的结构，插入子块来设计的网络结构。我也只是粗略看了下网络结构，没有详细了解。如果要自己架构网络结构训练，我看了大神的解读。这里有大神模型架构的详细步骤。里面也有训练集、清洗数据的文本、测试集等下载的途径。
IRBlock、SEBlock、Bottleneck……
输入结构为：N * 1 * 128 * 128
输出结构为：N * 512
其中N代表图片数量。512为一张人脸的特征图。

3. 损失设计

① 损失函数使用了FacalLoss函数。就是让模型更加关注困难样本。当然也可以更换成其他损失函数设计。
② 度量函数，Additional Margin Metric Loss。我的理解是，这里判别两张照片是否是同一个人的并不是简单通过概率得到的。而是给定判断的一个Margin，即有一个间隔将各类别划分开了。使得训练更加困难，模型就会训练得更好。

4. 训练模型

（1）模型得训练主要关注一些参数设置，数据集存放的位置，模型选择，优化器选择，学习率，训练批次，保存权重的间隔批次，每次训练的batch_size。
（2）模型提供了多种Resnet框架。
（3）1050Ti的渣渣GPU配置，每轮训练要用3个小时。一天下来也才训练了4轮。
（4）在学习率高的时候，loss会出现nan……降低学习率以及学习批次。
（5）用tensorboard，关注各层网络的权重，损失的变化。每轮结束时测试一下测试集的精度。

5. 测试

步骤：
（1）计算测试数据中每张图片的特征图。（这里得到的特征图是1024，使用一张图片左右翻转，通过网络得到两个512特征向量，然后合并成1024）
（2）将每张照片按照路径：特征，存入特征字典中。
（3）输入一张图片，同样的方式得到特征，与字典里的每一个特征做余弦相似计算。根据设置阈值的大小，判别图片是否为同一个人。