训练论文"A Lightened CNN for Deep Face Representation"中的caffe网络。
CASIA-WebFace 可在这里申请。
获得CASIA-Webface数据集之后，使用tools中的：
- 脚本
addLabeltopic.py将图片的label置为0-10574，并将label加入图片的名字中，如0_001.jpg。 - 脚本
getallfilesInOnedir.py将所有图片复制到某一级目录下，如image/ - 使用code_point中的工具对人脸图片进行标点，其中bbox.txt中指定了固定的人脸位置，固定face bounding box 是(65 178 78 191)。
- 可使用show_resulr.m脚本对标点结果进行可视化。
- 根据每个图片样本的标点信息将人脸进行旋转和裁剪，使得样本标准化。 经过上述操作，可以得到10575人的494414张标准化人脸图块。
- 生成lmdb数据
- 编写train_test.prototxt和solver.prototxt
- 开始训练！
详细配置查看查看我的github项目中prototxt/中的LCNN_solver.prototxt和LCNN_train_test.prototxt。
对学习率的设置 初始学习率设置为0.01，训练过程中，发现初始loss为9.3，约为-log(1/10575)正常，稍加训练后，loss上升到80+，说明学习率设置过大，调整为0.001，并以inv方式进行衰减。发现loss逐渐衰减了。
测试数据集：lfw。取官方给出的pairs.txt进行测试。保证pairs.txt中的图片不会出现在训练集中。
| 数据组织 | 数量 | 描述 |
|---|---|---|
| Intra-pair | 3000 | 每一个pair是同一个人物的两张不同场景下的人脸图片对 |
| Extra-pair | 3000 | 每一个pair是不同人物的人脸图片对 |
使用pairs.txt中给出的6000对人脸对测试本模型的准确度。按照标准的ROC评测方案，并在True Positive Rate与False Reject Rate相当时，取出准确率用于表征模型的准确率。将不同迭代次数时的测试结果记录在下表中。
| 迭代次数(万) | True Positive Rate(%) | False Reject Rate(%) | Average(%) |
|---|---|---|---|
| 115 | 96.2 | 96.2 | 96.2 |
| 165 | 96.8333 | 96.8667 | 96.85 |
| 183 | 96.7 | 96.8333 | 96.7667 |
| 196.5 | 96.9333 | 96.9667 | 96.95 |
| 206 | 96.7333 | 96.8333 | 96.7833 |
| 240 | 96.8667 | 96.8667 | 96.8667 |
| 260 | 96.7667 | 96.8333 | 96.8 |
NVIDIA GTX970