VGG人脸识别训练心得

原创

于 2017-06-01 21:16:59 发布 · 1.4w 阅读

标签

本文分享了使用VGG进行人脸识别训练的过程，探讨了迭代次数、学习率对训练效果的影响。通过调整参数，VGG11和VGG16网络在LFW测试集上分别达到了90.5%和92.0%的准确率。采用PCA降维和Center Loss进一步提高了识别精度。

20170929进行更新：将代码传至github上。网址：https://github.com/KaiJin1995/MTCNN-VGG-face。

该网络可以直接进行人脸检测、识别以及陌生人报警。构成安全防盗系统。

----------------------------------------------------------------------

在使用VGG进行人脸训练过程中，我是用log日志记录了训练过程中的数据。训练过程中的参数对于训练而言，有着较大的影响，参数设置不当，（1）容易出现训练结束，但未收敛到最佳状态。（2）早就收敛，迭代次数过多，浪费时间。

本篇博客主要讲述我在使用VGG训练人脸的过程中，迭代次数对于训练效果的影响。以及，对LFW测试集准确率的影响。

首先，采取VGG11训练网络，将VGG11训练网络后得到的caffemodel送至VGG16进行fintune。

训练结束后，我们提取VGG的fc7的值作为特征向量。通过比较特征向量之间的距离，我们可以衡量两个不同人脸之间的差距。

一、VGG11网络训练。

VGG11初始值为高斯。训练采用VGG11,

表1.1 VGG迭代10万次训练情况