casia webfaceAdvertisingOur servicesWe supportOur toolsNeed help ?This website uses cookies to ensure you get the best experience on our website. Findeen - Copyright (C) 2013CASIA WebFace Database 数据库 - CSDN博客
CASIA WebFace Database 数据库
数据库地址：
http://www.cbsr./english/CASIA-WebFace-Database.html
本文已收录于以下专栏：
相关文章推荐
网络链接：http://www.cbsr./english/CASIA-WebFace-Database.html
                       ...
1.手写数字数据集百度云盘：手写数字 .csv 格式，/s/1J4bCy
使用Caffe复现DeepID实验
本实验使用Casia-Webface part2的切图来复现DeepID实验结果。
DeepID网络配置文件训练验证数据组织实验结果结果分析
DeepID网...
有了在MNIST上softmax和contrastive结合在一起的实验的经验，故可较容易的推广到人脸大数据库CASIA-WbeFace上，类似的通过修改部分的caffe源码来跑些网络实验之。
在10.9之前，管理员为了达到管理系统级的用户管理，比如打印机权限, 普通用户管理System Prefereces等等选项，需要编辑/etc/authorization，它实际上是符合plist格式...
Web Database 介绍
Web SQL数据库API实际上不是HTML5规范的组成部分，而是单独的规范。它通过一套API来操纵客户端的数据库。Safari、Chrome、Fi...
翻译Inside SQLite第二章
startup mount
shutdown immediate
shutdown immediate
SQL*Plus: Release 11.1.0.6.0 - Production...
第一次写博客有点小紧张~
他的最新文章
讲师：吴岸城
您举报文章：
举报原因：
原文地址：
原因补充：
(最多只允许输入30个字)56656人阅读
【Caffe实践】（8）
深度学习深似海、尤其是在图像人脸识别领域，最近几年的顶会和顶刊常常会出现没有太多的理论创新的文章，但是效果摆在那边。
DeepID是深度学习方法进行人脸识别中的一个简单，却高效的一个网络模型，其结构的特点可以概括为两句话：1、训练一个多个人脸的分类器，当训练好之后，就可以把待测试图像放入网络中进行提取特征，2对于提取到的特征，然后就是利用其它的比较方法进行度量。具体的论文可以参照我的一篇论文笔记：
首先我们完全参考论文的方法用Caffe设计一个网络结构：
其拓扑图如图1所示：
图1：DeepID的网络结构，图像比较大，需要放大才能看的清楚
网络定义文件：
2. 数据选择
训练一个好的深度模型，一个好的训练数据是必不可少的。针对人脸识别的数据，目前公开的数据也有很多：比如最近的MegaFace、港大的Celbra A、中科研的WebFace 等等。在这里，我选择WebFace人脸数据库作为训练（人脸库不是很干净，噪声较多），图像公共50万张左右，共10575个人，但是数据不平衡。
要评测一个算法的性能，需要找一个公平的比对数据库来评测，在人脸验证中，LFW数据库无疑是最好的选择。在lfw评测中，给出6000千对人脸图像对进行人匹配。
3. 数据处理
训练数据和测试数据都选择好之后，就需要进行数据处理了，为了提供较好的识别准确度，我采用了训练数据和测试数据统一的预处理方法（虽然LFW上有提供已经预处理过的人脸图像，但是预处理的具体参数还是未知的），测试数据和训练数据都采样相同的人脸检测和对齐方法。
主要分为3个步骤：
1，人脸检测
2，人脸特征点检测
3、人脸的对齐
这三个步骤可以用我做的一个小工具： 来一键完成。
具体来说，需要选择一个标准的人脸图像作为对齐的基准，我挑选一位帅哥当标准图像：
训练数据通过对齐后是这样的：
LFW测试数据通过对齐后是这样的：
4.数据转换
图像处理好之后，需要将其转化为Caffe 可以接受的格式。虽然Caffe支持直接读图像文件的格式进行训练，但是这种方式磁盘IO会比较的大，所以我这里不采用图像列表的方式，而是将训练和验证图片都转化为LMDB的格式处理。
4.1 划分训练集验证集
划分训练集和验证集（我采样的是9：1的比例）
脚本如下：
4.2 数据转换
再调用Caffe 提供的转化函数：
脚本如下：
这样之后，训练的数据就准备好了。
上面的这些步骤之后，数据就已经处理好了，现在需要指定网络的超参数：
具体超参数设置如下：
训练的时候，可以查看学习曲线：
6.LFW上测试
LFW上，提供了6000对的人脸图像对来作为评测数据，由于我采用的是自己选的人脸检测和对齐方法，所以有些人脸在我的预处理里面丢失了（检测不到），为了简单的处理这种情况，在提特征的时候，没有检测到的图像就用原来的图像去替代。
然后进行人脸的比对
结果ROC曲线：
通过选择合适的脚本，得到的准确度为：0., 有点低。
7.结果分析
实验的结果没有理想中的那么好，主要的原因分为几个：
1、数据集不够好：有较多的噪声数据
2、数据集合不平衡：每个人的图片个数从几十张到几百张不等。
3,、网络结构没优化：原始的DeepID的大小为：48*48，而我选择的人脸图像大小为64*64，网络结构却没有相对应的调整。（主要影响在于全连接层的个数太多了）
&&相关文章推荐
* 以上用户言论只代表其个人观点，不代表CSDN网站的观点或立场
访问：674143次
积分：5217
积分：5217
排名：第5689名
原创：77篇
评论：727条
新浪微博：
阅读：6280
阅读：30485
阅读：145186
(2)(1)(3)(3)(3)(4)(7)(3)(12)(4)(9)(3)(2)(5)(3)(2)(7)(5)(1)
(window.slotbydup = window.slotbydup || []).push({
id: '4740887',
container: s,
size: '250,250',
display: 'inlay-fix'怎么使用caffe实现人脸的识别? - 知乎85被浏览7837分享邀请回答robots.ox.ac.uk/%7Evgg/publications/2015/Parkhi15/parkhi15.pdf模型：111 条评论分享收藏感谢收起23 条评论分享收藏感谢收起查看更多回答CASIA情感数据库 - CSDN博客
CASIA情感数据库
CASIA汉语情感语料库由中国科学院自动化所（Institute of Automation, Chinese Academy of Sciences）录制，共包括四个专业发音人，六种情绪生气（angry）、高兴（happy）、害怕（fear）、悲伤（sad）、惊讶（surprise）和中性（neutral），共9600句不同发音。其中300句是相同文本的，也即是说对相同的文本赋以不同的情感来阅读，这些语料可以用来对比分析不同情感状态下的声学及韵律表现；另外100句是不同文本的，这些文本从字面意思就可以看出其情感归属，便于录音人更准确地表现出情感。我们选取300句相同文本的音频作为实验数据，取前200句为训练集，后100句为测试集。实验同样对数据集进行了切分处理。
CASIA Chinese emotional corpus was recorded by the Institute of Automation, Chinese Academy of Sciences. It includes four professional speakers and six kinds of emotions: angry, happy, sad, surprise and neutral, a total of 9600 different pronunciation. 300 of the corpus are the same text. That is to say the same text given different emotions to read, these corpus can be used to compare the analysis of different emotional state of the acoustic and rhythmic performance. The other 100 are different text, these text can be seen from the literal meaning of its emotional attribution, which make it easy to record people more accurately show the emotions. We selected the same text of the corpus as experimental data, and take the first 200 for the training set and the after 100 for the test set. The experiment also slices the data set.
本文已收录于以下专栏：
相关文章推荐
按老师要求申请情感语音的数据库。因此查了一下语音情感数据库：这里归纳总结一下，省得翻那些废话太多的文献。
    语音情感数据库分为离散型和维度型。再有根据情感产生分类分为自然型，表演型，引导型。顾...
深度卷积网络
涉及问题：
1.每个图如何卷积：
  （1）一个图如何变成几个？
  （2）卷积核如何选择？
2.节点之间如何连接？
3.S2-C3如何进行分配？
昨天需要对柏林情感语音库中的535段承载七种不同情感的语音片段进行重命名以方便后续处理。
原始数据是按照下图所示命名的：
可以看到，排序会以演员名进行，而我需要它以情感种类进行排序，这样才方便...
AVEC情感数据库
有了在MNIST上softmax和contrastive结合在一起的实验的经验，故可较容易的推广到人脸大数据库CASIA-WbeFace上，类似的通过修改部分的caffe源码来跑些网络实验之。
CASIA手写汉字库是由模式识别国家重点实验室和中国科学院自动化研究所建立的手写汉字数据库，收录了7185个常用汉字及171个特殊符号。更详细的介绍见于数据库主页。由于课程原因，用到了其中的脱机手写汉...
他的最新文章
讲师：吴岸城
您举报文章：
举报原因：
原文地址：
原因补充：
(最多只允许输入30个字)