通俗解释Fine-turning机制
来源:互联网 发布:cass软件下载 编辑:程序博客网 时间:2024/06/06 07:17
工业级的人脸识别算法已经流水线化,一般而言,流程如下:
1. 采集海量的人脸图像,例如WebFace数据集(包含10,575人,近50万张图像),训练初始的general人脸识别模型。可以完全随机初始化,也可以从imagenet上fine-tune, 以WebFace数据集为训练集,在LFW上测试,在imagenet上finetune的模型在实际中可观测到0.5%的性能提升。严格说,这并不具备统计上的显著性,但是可以认为imagenet的fine-tune是无害的。
2. Fine-tune的策略设计
我的师兄,李绍欣博士在博士论文中给了这样一张图:
最外端是随机图像,然后是自然图像,最后是人脸图像(WebFace->MultiPIE), 模型的训练过程可以理解为从随机图像(随机初始化)到ImageNet模型,再到一个分布更为general的人脸数据集(WebFace),最后到一个领域特定的人脸数据集。
1. 采集海量的人脸图像,例如WebFace数据集(包含10,575人,近50万张图像),训练初始的general人脸识别模型。可以完全随机初始化,也可以从imagenet上fine-tune, 以WebFace数据集为训练集,在LFW上测试,在imagenet上finetune的模型在实际中可观测到0.5%的性能提升。严格说,这并不具备统计上的显著性,但是可以认为imagenet的fine-tune是无害的。
2. Fine-tune的策略设计
我的师兄,李绍欣博士在博士论文中给了这样一张图:
最外端是随机图像,然后是自然图像,最后是人脸图像(WebFace->MultiPIE), 模型的训练过程可以理解为从随机图像(随机初始化)到ImageNet模型,再到一个分布更为general的人脸数据集(WebFace),最后到一个领域特定的人脸数据集。
在实践中,我一般建议有一个足够general的人脸模型,然后在领域特定的数据集上做finetune.
参见网站:http://www.thinkface.cn/thread-4158-1-1.html
0 0
- 通俗解释Fine-turning机制
- fine turning微调网络
- java垃圾回收机制通俗的解释
- 通俗的解释JAVA wait/notify机制
- caffe 重新用Python编译tripletloss、fine turning
- Java的代理机制通俗地去解释
- BI的通俗解释
- 通俗解释美国金融危机
- synchronized通俗解释
- 通俗的DC解释
- Mapreduce通俗解释
- 指令集通俗解释
- MapReduce通俗解释方法
- RTP RTCP通俗解释
- 递归通俗解释
- UPNP通俗解释
- GDI DC通俗解释
- 通俗解释云计算
- 爬虫
- Windows下zookeeper伪集群环境搭建
- 2016.6.27笔记(1)-多线程的wait,notify
- 数据库三范式解析
- java基础之异常6--finally讲解
- 通俗解释Fine-turning机制
- Android系统Intent中的Uri使用
- 微服务架构的优势与不足
- 排序
- C++ - 计蒜客 - 迷宫中的英雄(bfs)
- MySQL分库分表总结
- CMake学习笔记(4)——使用外部共享库和头文件
- swift json的序列化和反序列化
- 隐马尔可夫模型(六)——隐马尔可夫模型的评估问题(前向后向相结合算法)