Experiment Two
Data processing:
采用Seeta Face的人臉檢測和對齊方法重新獲取樣本, 并且縮放到2272773尺度,重新進行訓(xùn)練
AdienceBenchmark.png
訓(xùn)練測試樣本示例
Val_Accuracy.png
Train_Loss.png
Test_Accuracy.png
驗證集準確率為92%,相比與加入背景信息樣本稍有降低,下降2%.
測試集測試準確率為85.6%相比于加入背景信息樣本稍有降低,下降3%.
[問題分析]
- Adience數(shù)據(jù)庫中同一個人樣本過多(重復(fù)樣本), 只是相應(yīng)的姿態(tài), 背景光照信息進行變化,并且訓(xùn)練時候進行mirror操作,更加增加了重復(fù)率.
增加樣本多樣性, 采用不同現(xiàn)實環(huán)境中的性別庫進行訓(xùn)練,
- 人臉尺寸往往不會非常大,如果進行尺度變化比較大的話,對原圖像的清晰度非常有影響,進而對最終的識別效果產(chǎn)生影響.
選擇更精簡的網(wǎng)絡(luò)結(jié)構(gòu)進行訓(xùn)練(4848 或 6464)
- 人臉性別往往與一些臉部特征息息相關(guān),比如胡子等特征就可以有很大的可能性去判斷其性別.
加入其他屬性進行多任務(wù)輔助學(xué)習,讓性別識別更加準確.
實驗三
Step1: 數(shù)據(jù)庫選擇
收集公開庫性別數(shù)據(jù)
CelebA
LFWA
AFLW
私有數(shù)據(jù)集 Dalian
利用Face++API 進行人臉檢測和屬性預(yù)測
Step2:數(shù)據(jù)處理
形成頭部區(qū)域并帶有一些背景
Demo.png
Left_demo.png
Right_demo.png
