vggface2人臉識別資料集 【論文筆記】VGGFace2——一個能夠用於識別不同姿態和年齡人臉的資料集
【論文筆記】VGGFace2——一個能夠用於識別不同姿態和年齡人臉的資料集
2018年01月10日 14:53:31 有來有去-CV 閱讀數:6701<span class="tags-box artic-tag-box"> <span class="label">標籤:</span> <a data-track-click="{"mod":"popu_626","con":"人臉識別"}" class="tag-link" href="http://so.csdn.net/so/search/s.do?q=人臉識別&t=blog" target="_blank">人臉識別 </a><a data-track-click="{"mod":"popu_626","con":"資料"}" class="tag-link" href="http://so.csdn.net/so/search/s.do?q=資料&t=blog" target="_blank">資料 </a><a data-track-click="{"mod":"popu_626","con":"深度學習"}" class="tag-link" href="http://so.csdn.net/so/search/s.do?q=深度學習&t=blog" target="_blank">深度學習 </a> <span class="article_info_click">更多</span></span> <div class="tags-box space"> <span class="label">個人分類:</span> <a class="tag-link" href="https://blog.csdn.net/shaoxiaohu1/article/category/1865945" target="_blank">CV參考資料 </a> </div> <div class="tags-box space"> <span class="label">所屬專欄:</span> <a class="tag-link" href="https://blog.csdn.net/column/details/cv-paper-reading.html" target="_blank">CV論文筆記</a> </div> </div> <div class="operating"> </div> </div> </div> </div> <article class="baidu_pl"> <div id="article_content" class="article_content clearfix csdn-tracking-statistics" data-pid="blog" data-mod="popu_307" data-dsm="post"> <div class="article-copyright"> 版權宣告:本文為shaoxiaohu原創文章,歡迎轉載,請註明出處,謝謝。 https://blog.csdn.net/shaoxiaohu1/article/details/79007477 </div> <div id="content_views" class="markdown_views prism-atom-one-dark"> <!-- flowchart 箭頭圖示 勿刪 --> <svg xmlns="http://www.w3.org/2000/svg" style="display: none;"><path stroke-linecap="round" d="M5,0 0,2.5 5,5z" id="raphael-marker-block" style="-webkit-tap-highlight-color: rgba(0, 0, 0, 0);"></path></svg> <p>####參考文獻:*** ***<br>
Cao Q, Shen L, Xie W, et al. VGGFace2: A dataset for recognising faces across pose and age[J]. 2017.
####簡介
VGGFace2 是一個大規模人臉識別資料,包含331萬圖片,9131個ID,平均圖片個數為362.6。這個資料集有以下幾個特點:
1)人物ID較多,且每個ID包含的圖片個數也較多。
2)覆蓋大範圍的姿態、年齡和種族。
3)儘可能地使噪聲最少。
作者使用ResNet-50和SE分別在VGGFace/MSCeleb-1M/VGGFace2分別做訓練,使用IJB-A做測試,證明了VGGFace2的最佳訓練結果。同時實驗也表明,使用MS-Celeb-1M做預訓練,再使用VGGFace2做finetune,能夠取得更好的效果。
作者不僅公佈了資料,也將論文中用到的模型放出:資料鏈接
資料介紹
該資料集是從谷歌中下載的,包含不同姿態、年齡、光照和背景的人臉圖片,其中約有59.7%的男性。除了身份資訊之外,資料集還包括人臉框,5個關鍵點、以及估計的年齡和姿態。下圖為VGGFace2和其它人臉資料集的具體指標對比:
資料集分為訓練集和評測集,其中訓練集包含8631類,評測集包含500類。評測場景可以按姿態和年齡模板分為兩類,模板由5張姿態/年齡接近的同一ID的人臉圖片組成,如下圖所示:
姿態模板
年齡模板
資料的收集和清理工作,由手動和自動完成(清理工作值得借鑑):
實驗
作者使用了ResNet-50和SE-ResNet-50網路分別在VGGFace/VGGFace2/MS-Celeb-1M上進行訓練,在IJB-A上進行測試和對比人臉識別效能。實驗證明,相同網路在VGGFace2上訓練的識別模型在1:1比對和1:N搜尋均取得了更好的結果,進一步地,將MS-Celeb-1M和VGGFace2結合,SE-ResNet-50能夠取得最佳的識別結果。(實驗也證明了SE-ResNet-50的優越效能,需要在自己的實驗中應用一下)
</div>
<link href="https://csdnimg.cn/release/phoenix/mdeditor/markdown_views-a47e74522c.css" rel="stylesheet">
</div>
</article>