人脸识别CNN网络训练流程

目标

训练论文”A Lightened CNN for Deep Face Representation”中的caffe网络。

数据

CASIA-WebFace 可在这里申请。

预处理

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。

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。

使用caffe，训练模型

生成lmdb数据

编写train_test.prototxt和solver.prototxt

开始训练！

网络配置

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。

测试记录

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

计算环境

NVIDIA GTX970