用于深度人脸识别的轻量级卷积神经网络，基于 PyTorch

这是由吴翔、何然、孙振安和谭铁牛撰写的论文《一种适用于带噪声标签的深度人脸表征的轻量级卷积神经网络》[1]在 PyTorch [2] 上的实现。官方原始的 Caffe 代码可在此处找到：https://github.com/AlfredXiangWu/face_verification_experiment。

目录

• 更新
• 安装
• 数据集
• 训练
• 评估
• 性能
• 引用
• 参考文献

更新

• 2022年2月9日
  发布了 Light CNN v4 预训练模型。
• 2018年1月17日
  发布了 Light CNN-29 v2 模型及训练代码。在 LFW 上的“100% - EER”达到 99.43%。 在 MegaFace 的第1组上，排名1准确率达到了 76.021%，TPR@FAR=10^-6 时为 89.740%。
• 2017年9月12日
  发布了 Light CNN-29 模型及训练代码。在 LFW 上的“100% - EER”达到 99.40%。 在 MegaFace 的第1组上，排名1准确率达到了 72.704%，TPR@FAR=10^-6 时为 85.891%。
• 2017年7月12日
  发布了 Light CNN-9 模型及训练代码。在 LFW 上的“100% - EER”达到 98.70%。 在 MegaFace 的第1组上，排名1准确率达到了 65.782%，TPR@FAR=10^-6 时为 76.288%。
• 2017年7月4日
  仓库搭建完成。

安装

• 按照官网说明安装 pytorch。
• 克隆本仓库。
  • 注意：目前我们仅支持 Python 2.7 运行。

数据集

• 下载人脸数据集，如 CASIA-WebFace、VGG-Face 和 MS-Celeb-1M。
  • MS-Celeb-1M 的干净列表已上传：百度网盘，Google Drive。
• 所有人脸图像均转换为灰度图像，并根据面部特征点归一化至 144x144。
• 根据五个面部关键点，我们不仅将双眼水平旋转，还调整了眼中心与嘴中心之间的距离（ec_mc_y）以及眼中心的纵坐标（ec_y）。
• 对齐后的 LFW 图像已上传至 百度网盘。

数据集	尺寸	ec_mc_y	ec_y
训练集	144x144	48	48
测试集	128x128	48	40

训练

• 使用 train 脚本训练 Light CNN 时，只需将 train.py 中列出的参数作为标志指定，或手动修改即可。

python train.py --root_path=/path/to/your/datasets/ \
		--train_list=/path/to/your/train/list.txt \
		--val_list=/path/to/your/val/list.txt \
		--save_path=/path/to/your/save/path/ \
		--model="LightCNN-9/LightCNN-29" --num_classes=n

• 提示：
  • 训练集和验证集的列表格式遵循 Caffe 标准。数据加载器的详细信息见 load_imglist.py。或者您也可以使用 torchvision.datasets.ImageFolder 来加载您的数据集。
  • num_classes 表示您的训练数据集中身份的数量。
  • 使用 PyTorch 训练时，可以设置比 Caffe 更大的学习率，且 PyTorch 在 Light CNN 上的收敛速度通常快于 Caffe。
  • 我们会增大 fc2 参数的学习率，这可能会带来更好的性能。如果在您自己的数据集上训练时出现崩溃，可以适当降低学习率。
  • 我们对带有动量的 SGD 实现进行了修改，因为官方的 PyTorch 实现与 Sutskever 等人的实现有所不同。具体细节请参见 此处。
  • LightCNN-29v2 的训练数据集为 CASIA-WebFace 和 MS-Celeb-1M，因此 num_classes 为 80013。

评估

• 评估已训练的网络：

python extract_features.py --resume=/path/to/your/model \
			   --root_path=/path/to/your/datasets/ \
			   --img_list=/path/to/your/list.txt \
			   --save_path=/path/to/your/save/path/ \
			   --model="LightCNN-9/LightCNN-29/LightCNN-29v2"\
			   --num_classes=n (79077 for LightCNN-9/LightCNN-29, 80013 for LightCNN-29v2)

• 您可以使用 vlfeat 或 sklearn 对特征进行 ROC 评估，从而获得测试数据集的 EER 和 TPR@FPR。
• LightCNN-9 的模型已发布在 Google Drive 上。
  • 请注意，发布的模型包含整个 Light CNN 模块的状态及优化器状态。加载模型的详细信息可在 train.py 中找到。
• LightCNN-29 的模型已发布在 Google Drive 上。
• LightCNN-29 v2 的模型已发布在 Google Drive 上。
• LightCNN-9 的 lfw 和 megaface 特征已发布。
• LightCNN v4 的模型已发布在 Google Drive 上。
  • LightCNN v4 的详细结构见 light_cnn_v4.py。
  • 输入为对齐后的 128*128 BGR 人脸图像。
  • 输入像素值按均值 ([0.0, 0.0, 0.0]) 和标准差 ([255.0, 255.0, 255.0]) 进行归一化。

性能

Light CNN 在 LFW 6,000 对上的表现如下：

模型	100% - EER	TPR@FAR=1%	TPR@FAR=0.1%	TPR@FAR=0
LightCNN-9	98.70%	98.47%	95.13%	89.53%
LightCNN-29	99.40%	99.43%	98.67%	95.70%
LightCNN-29v2	99.43%	99.53%	99.30%	96.77%
LightCNN v4	99.67%	99.67%	99.57%	99.27%

Light CNN 在 lfw BLUFR 协议 上的表现如下：

模型	VR@FAR=0.1%	DIR@FAR=1%
LightCNN-9	96.80%	83.06%
LightCNN-29	98.95%	91.33%
LightCNN-29v2	99.41%	94.43%

Light CNN 在 MegaFace 上的表现如下：

模型	排名1	TPR@FAR=1e-6
LightCNN-9	65.782%	76.288%
LightCNN-29	72.704%	85.891%
LightCNN-29v2	76.021%	89.740%

引用

如果您使用我们的模型，请引用以下论文：

@article{wu2018light,
  title={A light CNN for deep face representation with noisy labels},
  author={Wu, Xiang and He, Ran and Sun, Zhenan and Tan, Tieniu},
  journal={IEEE Transactions on Information Forensics and Security},
  volume={13},
  number={11},
  pages={2884--2896},
  year={2018},
  publisher={IEEE}
}

参考文献

• 原始 Light CNN 实现（Caffe）。
• PyTorch。

LightCNN 快速上手指南

环境准备

• 系统要求：推荐使用 Python 2.7（当前版本仅支持 Python 2.7）。
• 前置依赖：
  • PyTorch：请根据官网指引安装对应版本的 PyTorch。
  • 其他依赖可通过 pip install -r requirements.txt 安装（如需）。

注意：由于项目基于 Python 2.7，建议在兼容的环境中运行。

---

安装步骤

1. 克隆仓库：

git clone https://github.com/your-repo/light-cnn.git
cd light-cnn

2. 安装依赖：

pip install -r requirements.txt

如果遇到依赖安装问题，可尝试使用国内镜像源加速安装，例如：

pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple

---

基本使用

1. 准备数据集

• 下载并准备人脸数据集，如 CASIA-WebFace、VGG-Face 或 MS-Celeb-1M。
• 所有图像应转换为灰度图，并归一化为 144x144 大小（根据关键点对齐）。
• 可从以下链接下载已对齐的 LFW 数据集：
  • 百度云盘：LFW 对齐数据

2. 训练模型（以 LightCNN-9 为例）

python train.py --root_path=/path/to/datasets \
        --train_list=/path/to/train/list.txt \
        --val_list=/path/to/val/list.txt \
        --save_path=/path/to/save/models \
        --model="LightCNN-9" --num_classes=79077

注意：

• --num_classes 应根据你的训练集身份数量设置。对于 LightCNN-29v2，该值为 80013。
• --train_list 和 --val_list 文件格式应与 Caffe 兼容，或使用 torchvision.datasets.ImageFolder 加载。

3. 模型评估（提取特征）

python extract_features.py --resume=/path/to/model.pth \
                   --root_path=/path/to/datasets \
                   --img_list=/path/to/test/list.txt \
                   --save_path=/path/to/save/features \
                   --model="LightCNN-9" --num_classes=79077

使用 vlfeat 或 sklearn 工具计算 ROC 曲线、EER 和 TPR@FPR 等指标。

4. 使用预训练模型（可选）

• LightCNN-9 模型下载地址：Google Drive
• LightCNN-29 模型下载地址：Google Drive
• LightCNN-29v2 模型下载地址：Google Drive
• LightCNN v4 模型下载地址：Google Drive

注意：加载模型时，请参考 train.py 中的实现方式。