不得不赞！京东开源FaceX-Zoo，一站式人脸识别研究平台
source link: https://mp.weixin.qq.com/s?__biz=MzIwMTE1NjQxMQ%3D%3D&%3Bmid=2247555350&%3Bidx=1&%3Bsn=693984b8e73248217d2258a72965848e
Go to the source link to view the article. You can view the picture content, updated content and better typesetting reading experience. If the link is broken, please click the button below to view the snapshot at that time.
近日，京东AI研究院开源了FaceX-Zoo,一个专为人脸识别而生的开源库，论文 FaceX-Zoo: A PyTorch Toolbox for Face Recognition 详述了其特点，不仅方便比较研究不同的方法，还针对实际应用开发了特定功能（如人脸戴口罩、Shallow Face Learning 等）。非常值得关注！
该文作者信息：
链接：https://arxiv.org/pdf/2101.04407.pdf
代码：https://github.com/JDAI-CV/FaceX-Zoo
下图展示了FaceX-Zoo的全貌：
整体上分为人脸识别训练模块、评估模块和应用组件。
训练模块支持多种人脸图像预处理，支持多个主流骨干网和监督学习头，并提供了多种并行和加速策略。
评估模块除了预处理和多种骨干网可选外，还针对主流人脸数据集的评估协议进行了兼容，方便算法比较。
应用组件则提供了可人脸识别实际应用中需要的人脸识别、对齐、戴口罩等功能，后续官方还计划加上人脸解析、重打光等。
下表是使用不同的骨干网（使用MV-Softmx做Head）在多个人脸数据集上的识别结果：
部分工作是2020年新出的，可帮助研究人员节省大量的时间。在部分数据集上如CPLFW、RFW、MageFace上性能差别很大。
下表是使用不同监督学习Head(使用MobileFaceNet做骨干网)在多个人脸数据集上的识别结果：
可见，相同骨干网下各个Head（损失函数）所得到的结果差别不是很大。
从上面两个表格中我们可以看得出，骨干网对最终精度的影响更大，近几年出现的损失函数貌似并没有太大区别。
针对在实际应用中单ID训练样本可能极少的Shallow Face Learning问题，作者开发了普通和Semi-siamese 两种训练方式，其对比结果如下：
可见使用Semi-siamese 策略后，性能暴增！
看来这种跟数据强相关的技术，对精度的提升更明显。
为了增加训练集戴口罩人脸图像，作者们特别开发了给人脸戴口罩的技术扩充样本：
总之，研究人脸识别的小伙伴，这绝对是一个不容错过的开源库~
感谢京东AI的开源~
备注：人脸
人脸识别交流群
这里讨论人脸识别的一切 。
我爱计算机视觉
在看，让更多人看到 
Recommend
About Joyk
Aggregate valuable and interesting links.
Joyk means Joy of geeK