概述
此页面包含用于学习和计算Fisher向量面(FVF)描述符的源代码的下载链接,如[1]所述。我们还发布了一组广泛的预先计算的数据包,可用于精确再现[1]中报告的结果。
FVF描述符在野生(LFW)数据集中的标签脸上学习和评估[2]。我们为以下LFW评估设置发布学习的描述符模型和预先计算的描述符:
- LFW-Unrestricted设置,使用[3]的方法对齐原始(未对齐)LFW图像。我们的方法使用联合低秩度量和相似性学习获得了93.03%的验证准确率[1],仅使用低秩测度获得了91.32%的验证准确度(这可以看作是区分维度的减少)。
- LFW-无限制设置,其中未对齐的使用原始LFW图像中的Viola Jones人脸检测。使用低阶度量学习,我们的方法达到了90.68%的准确率。我们希望这些预先学习的未对齐人脸图像的低维描述子能够找到它们的应用程序超出LFW基准。
- LFW限制设置,其中使用预先对齐的LFW漏斗图像。在这种情况下,我们的方法使用对角伪度量学习获得87.47%的准确率[1]。
对于上述三个设置中的每一个以及LFW的十个数据集分割,我们发布:
- [1]中使用的人脸图像预处理(对齐和/或裁剪)的源代码;
- Fisher矢量计算模型(密集SIFT特征的PCA投影和GMM码本);
- 鉴别学习的人脸验证模型(设置1:联合低秩度量和相似性,单独低秩测量;设置2:低秩测度;设置3:对角伪度量);
- 高维Fisher向量描述符和低维投影Fisher矢量描述符(设置1和2);
- 面部验证分数。
下载
设置1的FV描述符
相关出版物
[1]K.Simonyan,O.M.Parkhi,A.维达尔迪,A.齐瑟曼
2013年英国机器视觉会议
[2]G.B.Huang、M.Ramesh、T.Berg、E.Learnd-Miller
野外标记人脸:研究无约束环境中人脸识别的数据库。
《技术报告07-49》,马萨诸塞大学阿默斯特分校,2007年。
[3]M.Everingham先生,J.Sivic,A.齐瑟曼
图像和视觉计算,第27卷,第5期,2009年
致谢
这项工作得到了ERC第228180号VisRec拨款的支持。