人脸识别
2019-12-27 14:11:55 26 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
下一页