我有一个关于五个人的人脸识别项目,我希望我的CNN能检测到,我想知道人们是否可以看看我的模型,看看这是不是朝着正确的方向迈出了一步。
def model():
model= Sequential()
# sort out the input layer later
model.add(convolutional.Convolution2D(64,3,3, activation='relu'), input_shape=(3,800,800))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(convolutional.Convolution2D(64,3,3, activation='relu'))
model.add(convolutional.MaxPooling2D((2,2), strides=(2,2)))
flatten()
model.add(Dense(128, activation='relu'))
model.add(Dropout(p=0.2))
model.add(Dense(number_of_faces, activation='softmax'))因此,该模型将在3个大小为800 * 800的通道中拍摄照片(在google上找到的5个人的头像),其中包含64个特征图,汇集在一起,然后另一组特征图,然后连接到mlp,用于分类为5个输出神经元的二进制向量。我的问题是,这是一种尝试对某些人的头像进行分类的合适方法吗?例如,如果我下载100张某个人的照片,并将它们放在这个模型中,在卷积中创建的特征空间是否足够大,以捕获该人脸和其他四个人的特征?感谢你们的帮助
发布于 2016-07-17 14:57:39
这不是一个工程问题,而是一个科学问题。在不显示当前进度的情况下,很难判断100张图片是否足以满足您的目的(例如,现在的准确性是多少?你的脸是过合身还是欠合身?
但是,是的,,额外的人脸数据可以帮助你的模型,特别是当这些人脸具有相同的上下文时(背景,光线,角度,肤色等)。你的最终测试数据。
如果你对人脸识别感兴趣,你可以从 (非官方code here)开始,他们使用1万张人脸作为额外的数据集进行训练。你可以搜索"DeepID“来获取更多信息。
如果你是一个工程人员,你可以查看,这篇报告更多地关注实现,这也是由Keras实现的。
到那时,800*800在人脸识别社区中是非常大的。您可能希望将它们调整为较小的大小。否则,你的程序可能会太庞大而无法训练,并且会消耗大量内存。
发布于 2020-09-07 14:30:40
人脸识别不是一个常规的分类研究。如果你为5个人训练你的模型,即使它是一个成功的模型,如果有新的人加入团队,你也需要重新训练它。这意味着你的新模型可能不再成功。
我们首先训练一个规则的分类模型,然后丢弃它的最终softmax层,并使用它的早期层来表示图像。表示是多维向量。在这里,我们期望同一人的图像对应该具有高相似度,而不同人的图像对应该具有低相似度。我们可以用余弦相似度或欧几里德距离方法找到向量相似度。
总而言之,您不应该再为人脸识别应用程序训练模型。你只需要使用神经网络来预测。预测将是表示。
我推荐你使用deepface。它包含了最先进的人脸识别模型,如VGG- face,Google FaceNet,OpenFace,Facebook DeepFace,DeepID和Dlib。它还处理背景中的人脸检测和对齐。您只需调用一行代码即可应用人脸识别。
#!pip install deepface
from deepface import DeepFace
models = ['VGG-Face', 'Facenet', 'OpenFace', 'DeepFace', 'DeepID', 'Dlib']
obj = DeepFace.verify("img1.jpg", "img2.jpg", model_name = models[0])
print(obj["verified"], ", ", obj["distance"])返回的对象存储最大阈值和找到的距离。这样,如果图像对是同一个人,则在验证参数中返回True,如果图像对是不同的人,则返回False。
https://stackoverflow.com/questions/38417142
复制相似问题