Learn-to-ClusterCVPR 2019-2020人脸聚类完整指南从理论到实践【免费下载链接】learn-to-clusterLearning to Cluster Faces (CVPR 2019, CVPR 2020)项目地址: https://gitcode.com/gh_mirrors/le/learn-to-clusterLearn-to-Cluster是一个专注于人脸聚类研究的开源项目集成了CVPR 2019-2020年的多项先进技术提供了从理论到实践的完整人脸聚类解决方案。该项目包含多种基于图卷积网络GCN的创新聚类算法能够高效处理大规模人脸数据为计算机视觉领域的研究者和开发者提供了强大的工具支持。 项目核心价值与技术亮点Learn-to-Cluster项目的核心价值在于将学术研究成果转化为可直接应用的工程实现主要技术亮点包括多算法集成包含Dsgcn、Vegcn和Lgcn三大核心算法模块覆盖了从聚类检测到分割的完整流程高性能表现在584K人脸数据集上GCN-DGCN-S算法组合实现了88.57%的F-score灵活可扩展支持不同数量的proposals配置可根据实际需求平衡性能与效率丰富的实验数据提供在MS1M、YouTube-Faces和DeepFashion等多个数据集上的详细实验结果 环境准备与安装指南系统要求Python 3.6PyTorch 0.4.0faissFacebook AI相似度搜索库mmcvOpenMMLab计算机视觉基础库快速安装步骤# 克隆项目仓库 git clone https://gitcode.com/gh_mirrors/le/learn-to-cluster cd learn-to-cluster # 安装依赖 conda install faiss-gpu -c pytorch pip install -r requirements.txt # 创建数据软链接假设数据存放在xxx/data目录 ln -s xxx/data data 核心算法模块解析Dsgcn基于图卷积网络的聚类检测与分割DsgcnDeep Spectral Graph Convolutional Network是项目的核心算法之一其工作流程包括以下关键步骤生成初始提案通过基础提案生成器创建初始聚类提案图卷积网络检测使用GCN-D模型对提案进行检测和优化图卷积网络分割使用GCN-S模型对检测结果进行精细分割Dsgcn算法的完整工作流程展示了从特征提取到最终聚类结果的全过程主要配置文件位于dsgcn/configs/目录包含针对不同数据集和场景的参数设置例如cfg_train_det_ms1m_8_prpsls.pyMS1M数据集训练配置8个proposalscfg_test_seg_ms1m_20_prpsls.pyMS1M数据集测试配置20个proposalsVegcn基于置信度和连接性估计的聚类VegcnConfidence and Connectivity Estimation GCN引入了置信度机制通过GCN-V顶点置信度估计和GCN-E边连接性估计两个子网络提升聚类性能GCN-V估计每个顶点属于其聚类的置信度GCN-E估计边连接的可靠性在584K数据集上GCN-VGCN-E组合实现了87.93%的F-score相关实现位于vegcn/models/目录。Lgcn基于连接的图卷积网络聚类LgcnLinkage-based GCN采用基于连接的方法通过构建人脸之间的连接图进行聚类特别适合处理大规模数据集。核心实现位于lgcn/models/lgcn.py。 快速上手运行与评估模型下载项目提供了预训练模型可在MODEL_ZOO.md中查看并下载所需模型。测试示例Dsgcn测试# 测试聚类检测MS1M数据集 sh scripts/dsgcn/test_cluster_det_ms1m.sh # 测试聚类分割MS1M数据集 sh scripts/dsgcn/test_cluster_det_iop_ms1m.sh sh scripts/dsgcn/test_cluster_seg_ms1m.shVegcn测试# 测试GCN-VMS1M数据集 sh scripts/vegcn/test_gcn_v_ms1m.sh # 测试GCN-EMS1M数据集 sh scripts/vegcn/test_gcn_e_ms1m.shLgcn测试# 测试LGCNMS1M数据集 sh scripts/lgcn/test_lgcn_ms1m.sh训练示例以Dsgcn在MS1M数据集上的训练为例# 训练聚类检测 sh scripts/dsgcn/train_cluster_det_ms1m.sh # 训练聚类分割 sh scripts/dsgcn/train_cluster_seg_ms1m.sh 性能评估与实验结果主要数据集性能对比在584K人脸数据集part1_test上各方法的性能对比如下方法PrecisionRecallF-scoreChinese Whispers55.4952.4653.93KNN DBSCAN95.2552.7967.93L-GCN74.3883.5178.68GCN-D (8 prpsls)94.2379.6986.35GCN-V GCN-E92.5683.7487.93GCN-D GCN-S (20 prpsls)97.9180.8688.57大规模数据集性能5.21M在更大规模的5.21M数据集上GCN-D (20 prpsls)实现了87.61%的Pairwise F-score和97.04%的NMI归一化互信息展示了算法在处理海量数据时的优势。跨数据集泛化能力项目在多个数据集上进行了验证包括YouTube-FacesGCN-D (4 prpsls)实现94.44%的Pairwise F-scoreDeepFashionGCN-V GCN-E实现38.47%的Pairwise F-score详细结果可参考项目根目录下的README.md。 数据集准备与使用项目支持多种人脸数据集详细的数据准备指南请参考DATASET.md。主要支持的数据集包括MS1M大规模人脸数据集YouTube-Faces包含视频序列的人脸数据集DeepFashion服饰数据集用于跨领域验证 引用与贡献如果您在研究中使用了Learn-to-Cluster项目请引用以下论文inproceedings{yang2019learning, title{Learning to Cluster Faces on an Affinity Graph}, author{Yang, Lei and Zhan, Xiaohang and Chen, Dapeng and Yan, Junjie and Loy, Chen Change and Lin, Dahua}, booktitle{Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR)}, year{2019} } inproceedings{yang2020learning, title{Learning to Cluster Faces via Confidence and Connectivity Estimation}, author{Yang, Lei and Chen, Dapeng and Zhan, Xiaohang and Zhao, Rui and Loy, Chen Change and Lin, Dahua}, booktitle{Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition}, year{2020} }项目欢迎社区贡献您可以通过提交Issue或Pull Request参与项目改进。 实用技巧与常见问题性能与效率平衡通过调整proposals数量如2、5、8、20平衡性能与计算资源消耗参数调优不同数据集可能需要调整k近邻参数和阈值具体可参考配置文件特征提取项目不包含人脸特征提取部分可使用推荐的人脸识别框架如hfsoftmax结果可视化可使用utils/draw.py工具可视化聚类结果通过本指南您已经了解了Learn-to-Cluster项目的核心功能和使用方法。无论是学术研究还是工业应用该项目都提供了强大而灵活的人脸聚类解决方案帮助您在大规模人脸数据上实现高效准确的聚类分析。【免费下载链接】learn-to-clusterLearning to Cluster Faces (CVPR 2019, CVPR 2020)项目地址: https://gitcode.com/gh_mirrors/le/learn-to-cluster创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考