深度学习课程人脸识别 人脸检测项目实战

深度学习课程人脸识别 人脸检测项目实战

人脸检测项目实战目的：

检测到人脸框(1)：数据数据获取：1.Benchmark是一个行业的基准（数据库，论文，源码，结果）。

2.优秀论文，通常实验阶段都会介绍它所使用的数据集，公开数据集可以下载。

申请数据集的时候，最好使用学校的邮箱。

3.论坛或者交流社区，比如thinkface

4.数据的规模 越大越好 今天的数据量4W多 二分类数据，第一类人脸，第二类非人脸人脸数据：路径/xxx.jpg  60,80,280,320

非人脸数据：只要不是人脸都是可以的对于正样本：裁剪的操作，根据标注的坐标把人脸裁剪出来。可以opencv这个工具，来完成制作人脸数据。要检查一下，看一看数据有没有问题。对于负样本：进行一个随机的裁剪，IOU这个比例（重叠的比例）在原始的数据当中，IOU<0.3认为是一个负样本，最好是拿没有人脸数据的当作负样本。制作LMDB数据源（其实它就是caffe支持的非常常用的分类的数据源）写两个txt文档文件Train.txt0/xxx.jpg 01/xxx.jpg 1Val.txtxxx.jpg 0xxx.jpg 1制作LMDB数据源，用caffe提供的脚本文件前几行改成自己的安装目录要进行一个resize操作，比如ALEXNET或者VGG通常都是

给它resize 227*227.Sh LMDB脚本文件。文件是很大的(2)训练ALEXNET网络把最后一层全连接改成你要分类的类别个数（人脸检测来

说就是2）Solver文件Test_iter:咱们一次测试，要测试多少个batch最好让test_iter*batch_size = 测试集中样本总个数Base_lr 基础的学习率，太重要了，不能太大网络训练的速度跟什么最相关？1.网络的模型大小，网络越大速度越慢。2.数据输入的大小，227*227 和 32*32的，可能要慢几百倍。输入越大，网络越慢。人脸代码：多尺度的人脸检测（1）model转换成全卷积（2）多个scale（3）前向传播，得到特征图，概率值矩阵（4）反变换，映射到原图上的坐标值（5）NMS非极大值抑制问题：速度太慢了，因为咱们做了多个scale，每个scale都要进行一次前向传播。解决：采取级联的网络，再加上矫正网络。