人脸识别
2019-12-27 14:11:55 24 举报
技术架构
作者其他创作
大纲/内容
模型训练层
异步协程（提高性能）
使用Retinaface检测+对齐人脸，用Insightface中的预训练模型提取特征向量，最终使用自己的设计的一套自适应异常值检测算法+分层K-means来实现ID清洗和融合。
代理IP（绕过反爬）
自动登陆机制（绕过反爬）
Docker容器（批量部署）
数据采集层
将训好的模型在自有人脸测试集上测试并输出ROC曲线作为模型评判标准。
自有测试集
Retinaface（人脸检测+对齐）
NAS（保证安全性）
Arcface（损失函数）
ROC曲线
自研异常值检测算法（ID清洗）
数据存储层
使用Docker将爬虫分布式部署在15台机器上进行爬取，采用代理IP和自动登录机制绕过反爬，并通过异步协程提升性能。
数据清洗层
模型测试层
分层K-means（ID融合）
MXNET（网络框架）
预训练网络（提取特征向量）
由于性能考虑，选取MXNET框架构建网络，并借鉴Arcface损失函数来提升模型精度。
使用5台扩充过存储的主机搭建了MongoDB数据库的分布式集群，并周期性地手动将数据拷贝到研究院的NAS中。
MongoDB分布式集群（保证可扩展性、高可用性）
0 条评论
回复 删除
下一页
