打包一键 运行cpu 可以使用 打包一键 运行cpu 可以使用打包一键 运行cpu 可以使用

基于matlab的表情识别代码2D-3D人脸数据集 2D WIDER FACE FACE NIST提供（IJB-B + FRVT（仅测试）） IARPA Janus Benchmark-B面部挑战（IJB-B）定义了八项挑战，应对拥挤图像的验证，识别，检测，聚类和处理。 IJB-B集包含67000个面部图像，7000个面部视频和10000个非面部图像，对此提供了支持。 空军 300瓦（LFPW + AFW + HELEN + IBUG） 马尔夫 FDDB（2009/10） 设计用于研究无约束人脸检测问题的人脸区域数据集。 该数据集包含从“野生”数据集中的“脸部”获取的2845张图像集中的5171个脸部的注释。 可以在下面的技术报告中找到更多详细信息。 VGGFace VGGFace2 数据集包含331万个9131个主题（身份）的图像，每个主题平均362.6个图像。 图片是从Google图片搜索中下载的，并且在姿势，年龄，光照，种族和职业（例如演员，运动员，政治人物）方面存在很大差异。收集数据集时要牢记三个目标：身份，以及每个身份的大量图像； （ii）涵盖各种姿势，年龄和种族； （iii

CNN模型Retina Face parameters

该工程代码是实现了最基本的QT界面设计以及把ui界面转换成python文件的界面程序，需要的朋友请自取。。。。。。。。。。。。。。。。。。

人脸识别 本项目代表对面部投影技术（PCA，ICA和LDA）的比较分析，旨在比较使用公平意识训练对这些模型的性能影响的程度。 该技术在FERET图像数据集的两个450图像子集上进行了测试，一个旨在保留美国人口的种族构成（70％的白种人，20％的非洲人，10％的东南亚人），而其他人的种族背景分布均匀（33％的白人，33％的非洲人，33％的东南亚人）。 这两个数据集每个类（人）都包含两个图像，旨在模拟法律规范应用，其中每个人的可用图像数量预计会很少。 培训方法基于[1]中使用的方法。 首先通过均值减法和标准化对训练图像进行预处理。 然后执行PCA，得到一个180维子空间（450的40％），该子空间在受人口影响的数据中分别保留99.66％的信息，在公平意识的数据中分别保留99.68％的信息。 然后将这些预测用作ICA和LDA的输入数据。 生成的空间用于投影以前看不见的图像，并通过将它们与同一个

https://github.com/hysts/anime-face-detector

https://github.com/hysts/anime-face-detector

https://github.com/hysts/anime-face-detector

https://github.com/hysts/anime-face-detector

低速HFR的双变量生成 编写的一种的纸面码。 消息 DVG的扩展版本在IEEE TPAMI 2021中发布（ ），其代码在发布。 新发布的扩展版本比该版本具有更强大的性能。 先决条件 Python 2.7 火炬0.4.1和火炬视觉0.2.1 训练发电机 下载已在MS-Celeb-1M数据集上进行预训练的LightCNN-29模型（ ）。 训练发电机： sh run_train_generator.sh 请注意，这是我们原始代码的简化版本： 1.消除了论文中的多样性损失和对抗性损失。 2.分布对齐损失由最大平均差异（MMD）损失代替。 训练期间生成的结果将保存为./results 。 从噪点生成图像 使用训练有素的生成器来采样100,000个配对的异构数据： Python val.py --pre_model './model/netG_model_epoch_50_iter_0