ArcFace 模型介绍

稳定调用及效果更好的API，详见视觉开放智能平台：人脸比对1:1、口罩人脸比对1:1、人脸搜索1:N、公众人物识别、明星识别。

人脸识别模型ArcFace, 推荐使用An Efficient Training Approach for Very Large Scale Face Recognition (代码地址)框架快速训练。

模型描述

ArcFace为近几年人脸识别领域的代表性工作，被CVPR2019录取(论文地址), 代码地址)，该方法主要贡献是提出了ArcFace loss, 在$x_i$和$W_{ji}$之间的θ上加上角度间隔m（注意是加在了角θ上），以加法的方式惩罚深度特征与其相应权重之间的角度，从而同时增强了类内紧度和类间差异。由于提出的加性角度间隔(additive angular margin)惩罚与测地线距离间隔(geodesic distance margin)惩罚在归一化的超球面上相等，因此作者将该方法命名为ArcFace。此外作者在之后的几年内持续优化该算法，使其一直保持在sota性能。

模型结构

模型使用方式和使用范围

本模型可以检测输入图片中人脸的特征

代码范例

from modelscope.pipelines import pipeline
from modelscope.utils.constant import Tasks
from modelscope.outputs import OutputKeys
import numpy as np

arc_face_recognition_func = pipeline(Tasks.face_recognition, 'damo/cv_ir50_face-recognition_arcface')
img1 = 'https://modelscope.oss-cn-beijing.aliyuncs.com/test/images/face_recognition_1.png'
img2 = 'https://modelscope.oss-cn-beijing.aliyuncs.com/test/images/face_recognition_2.png'
emb1 = arc_face_recognition_func(img1)[OutputKeys.IMG_EMBEDDING]
emb2 = arc_face_recognition_func(img2)[OutputKeys.IMG_EMBEDDING]
sim = np.dot(emb1[0], emb2[0])
print(f'Face cosine similarity={sim:.3f}, img1:{img1}  img2:{img2}')

使用方式

• 推理：输入经过对齐的人脸图片(112x112)，返回人脸特征向量(512维)，为便于体验，集成了人脸检测和关键点模型RetinaFace，输入两张图片，各自进行人脸检测选择最大脸并对齐后提取特征，然后返回相似度比分

目标场景

• 人脸识别应用广泛，如考勤，通行，人身核验，智慧安防等场景

模型局限性及可能偏差

• 训练数据仅包括ms1mv3数据集，模型鲁棒性可能有所欠缺。
• 当前版本在python 3.7环境测试通过，其他环境下可用性待测试

模型性能指标

人脸相关模型

以下是ModelScope上人脸相关模型:

• 人脸检测

• 人脸识别

• 人脸活体识别

• 人脸关键点

• 人脸属性 & 表情

来源说明

本模型及代码来自开源社区(地址)，请遵守相关许可。

引用

如果你觉得这个该模型对有所帮助，请考虑引用下面的相关的论文：

@inproceedings{deng2019arcface,
      title={Arcface: Additive angular margin loss for deep face recognition},
        author={Deng, Jiankang and Guo, Jia and Xue, Niannan and Zafeiriou, Stefanos},
          booktitle={Proceedings of the IEEE/CVF conference on computer vision and pattern recognition},
            pages={4690--4699},
              year={2019}
}