注册会员 | 设为首页 | 加入收藏夹
您好，欢迎光临本网站！[请登录] ！[注册会员]！  

搜索资源列表

  1. 人脸识别数据集说明及其下载

  2. 提供了对人脸识别数据集（1）Youtube Face（2）LFW (Labeling Faces Wild)（3）CelebFaces(A)（4）MegaFace（5）CASIA WebFace的说明，及提供了下载方式

  3. 所属分类：互联网

    • 发布日期：2016-10-21
    • 文件大小：135kb
    • 提供者：w7256037

  1. 人脸识别数据集说明及其下载

  2. 提供了对人脸识别数据集（1）Youtube Face（2）LFW (Labeling Faces Wild)（3）CelebFaces(A)（4）MegaFace（5）CASIA WebFace的说明，及提供了下载方式

  3. 所属分类：深度学习

    • 发布日期：2017-06-01
    • 文件大小：135kb
    • 提供者：u010987458

  1. megaface说明文档

  2. megaface dataset 官方说明文档， 中文版本README.txt!

  3. 所属分类：深度学习

    • 发布日期：2018-06-04
    • 文件大小：2kb
    • 提供者：billow_rtmiao

  1. megaFace dataset下载账户密码

  2. megaface数据集包括两部分：拥有100万张人脸 和 具有400多万张图片两个数据集。100万人脸用于人脸识别，是当前人脸识别最大的数据集

  3. 所属分类：深度学习

    • 发布日期：2018-09-29
    • 文件大小：82byte
    • 提供者：mingbujingren

  1. dataset_2.tar.gz

  2. SVHN+自建数据集：0～9的单个数字，只有10个类别，绝大部分来自SVHN的既定事实切割+我自己手动清洗数据，少部分是从各种指针式仪表上扣下来的数字，用于表计数字识别

  3. 所属分类：互联网

    • 发布日期：2020-04-20
    • 文件大小：6mb
    • 提供者：Andrwin

  1. The MegaFace Benchmark 1 Million Faces for Recognition at Scale.pdf

  2. megaface数据集介绍和人脸识别人脸验证的逻辑。The MegaFace Benchmark 1 Million Faces for Recognition at Scale.pdf

  3. 所属分类：深度学习

  1. facerecognize-for-mobile-phone:适用于移动端的人脸识别模型，计算量与mobilefacenet相同，但megaface上提升了2％+-源码

  2. 手机面部识别 适用于移动端的人脸识别模型，计算量于mobilefacenet相同，但megaface上提升了2％+。我训练的mobilefacenet在megaface VER上比原作者高出了2％，因为训练的数据和方法不一样。 2020.02.24添加GPU模型r100fc，megaface rank1 99.00％+ 模型在各个数据集上表现如下： 方法 拖鞋（112x112） LFW 计划生育计划 年龄数据库 Megaface-Id Megaface-Ver 1e-6 备注 Mobi

  3. 所属分类：其它

    • 发布日期：2021-03-09
    • 文件大小：138kb
    • 提供者：weixin_42138716

  1. 一种基于角度距离损失函数和卷积神经网络的人脸识别算法

  2. 在开集协议下设计了一种基于角度距离损失函数和密集连接卷积神经网络的人脸识别算法, 以实现深度人脸识别。所设计的网络结构使用基于角度距离的损失函数, 让人脸特征的区分度更高, 符合特征的理想分类标准。同时, 所提出的神经网络结构采用先进的密集连接模块, 在很大程度上减少了传统网络结构的参数冗余。经过大量的分析和实验, 该算法在LFW数据集上的人脸识别准确率达到了99.45%, 在MegaFace数据集上的人脸确认任务和人脸验证任务中的人脸识别准确率分别为72.534%和85.348%, 因此所提算

  3. 所属分类：其它

    • 发布日期：2021-02-06
    • 文件大小：10mb
    • 提供者：weixin_38731239

  1. 基于属性驱动损失函数的人脸识别算法

  2. 为使通过卷积神经网络学习到的人脸识别特征更容易判别,在角度距离损失函数A-Softmax的基础上进行改进,将人脸属性融入到训练过程中,如性别、年龄和种族。使用属性驱动损失函数,利用属性邻近性对特征映射进行正则化,实验结果表明本方法学习到更多与属性相关的鉴别特征。本文改进算法在人脸验证数据集(包括LFW,CFP,AgeDB和 MegaFace)上均取得不错的效果,验证了该改进算法的有效性。

  3. 所属分类：其它