使用dlib 进行高质量深度学习人脸识别

与所有 其他示例dlib模型一样，此示例程序使用的预训练模型位于公共域中。因此，您可以将它用于任何您想要的地方。此外，该模型 在Wild标准的 Labeled Faces中的准确度为99.38％。这与其他最先进的模型相当，并且意味着，给定两个面部图像，它可以正确地预测图像是否在99.38％的时间内是同一个人。

对于那些对模型细节感兴趣的人，这个模型是一个具有29个转换层的ResNet网络。它本质上是来自He，Zhang，Ren和Sun的深度残留学习图像识别的ResNet-34网络的一个版本，删除了一些层，每层的过滤器数量减少了一半。

该网络从头开始在大约300万个面孔的数据集上进行训练。该数据集源自许多数据集。面部磨砂数据集[2]，VGG数据集[1]，然后是我亲自从互联网上抓取的大量图像。我尽可能地通过删除标签错误来清理组合数据集，这意味着从VGG过滤掉很多东西。我这样做是通过反复训练人脸识别模型，然后使用图形聚类方法和大量手动审查来清理数据集。最后，大约一半的图像来自VGG和脸部磨砂。此外，数据集中的个体身份总数为7485.我确保避免与LFW中的身份重叠，因此LFW评估将是有效的。

网络训练以随机初始化的权重开始，并使用结构化的度量损失，试图将所有身份投射到半径为0.6的非重叠球中。损失基本上是一种成对铰链损失，在小批量的所有货币对上运行，并包括小批量水平的硬负采矿。训练代码显然也是可用的，因为那种东西基本上是dlib的重点。您可以通过阅读 示例程序并查阅dlib的参考部分来查找有关培训和模型细节的所有详细信息。还有一个用于访问面部识别模型的 Python API。