人脸识别
本项目代表对面部投影技术（PCA，ICA和LDA）的比较分析，旨在比较使用公平意识训练对这些模型的性能影响的程度。 该技术在FERET图像数据集的两个450图像子集上进行了测试，一个旨在保留美国人口的种族构成（70％的白种人，20％的非洲人，10％的东南亚人），而其他人的种族背景分布均匀（33％的白人，33％的非洲人，33％的东南亚人）。 这两个数据集每个类（人）都包含两个图像，旨在模拟法律规范应用，其中每个人的可用图像数量预计会很少。
培训方法基于[1]中使用的方法。 首先通过均值减法和标准化对训练图像进行预处理。 然后执行PCA，得到一个180维子空间（450的40％），该子空间在受人口影响的数据中分别保留99.66％的信息，在公平意识的数据中分别保留99.68％的信息。 然后将这些预测用作ICA和LDA的输入数据。 生成的空间用于投影以前看不见的图像，并通过将它们与同一个
2022-11-16 14:13:39
437KB
1
https://github.com/hysts/anime-face-detector
2022-11-10 12:22:09
235.04MB
1
https://github.com/hysts/anime-face-detector
2022-11-10 12:22:08
158.04MB
1
https://github.com/hysts/anime-face-detector
2022-11-10 12:22:07
37.52MB
1
https://github.com/hysts/anime-face-detector
2022-11-10 12:22:06
576B
1
低速HFR的双变量生成
编写的一种的纸面码。
消息
DVG的扩展版本在IEEE TPAMI 2021中发布（ ），其代码在发布。 新发布的扩展版本比该版本具有更强大的性能。
先决条件
Python 2.7
火炬0.4.1和火炬视觉0.2.1
训练发电机
下载已在MS-Celeb-1M数据集上进行预训练的LightCNN-29模型（ ）。
训练发电机：
sh run_train_generator.sh
请注意，这是我们原始代码的简化版本： 1.消除了论文中的多样性损失和对抗性损失。 2.分布对齐损失由最大平均差异（MMD）损失代替。
训练期间生成的结果将保存为./results 。
从噪点生成图像
使用训练有素的生成器来采样100,000个配对的异构数据：
Python val.py --pre_model './model/netG_model_epoch_50_iter_0
2022-11-05 11:06:19
17KB
1
PIE FACE 数据库用于计算机视觉中的人脸识别，多姿态，多角度，有不同光照
2022-10-26 19:10:24
51.99MB
1
谷歌mediapipe不再添加*.tflite模型文件和其他大型二进制文件。这些模型现在是从谷歌云存储中下载。这将加速您对MediaPipe的入门体验(特别是如果您可以使用存储库的浅层克隆)
2022-10-22 19:03:40
9.23MB
1
#清磁盘啦~，CSDN“网盘”真好用，感谢CSDN~
基于openvino实现的口罩检测模型face_mask_detection
2022-10-08 21:05:00
3.64MB
1
人脸识别综述论文：The Elements of End-to-end Deep Face Recognition: A
Survey of Recent Advances
2022-10-04 21:05:36
9.28MB
1