BeautyPredict:基于SCUT-FBP5500数据集的深度学习方法进行面部美容预测-源码

美容预测 本文[1]和[2]中介绍的基于SCUT-FBP5500数据集的深度学习方法进行的面部美容预测已在本项目中部分实施。 SCUT-FBP5500数据集共有5500张正面面Kong，这些面Kong具有不同的属性（男性/女性，亚洲人/白种人，年龄）和不同的标签（面部标志，[1，5]内的美女分数，美女分数分布），从而允许使用不同的计算模型具有不同的FBP范例。 此外，在数据集上评估了三个最近提出的具有不同FBP结构的CNN模型，包括AlexNet，ResNet-18和ResNeXt-50，它们通过使用ImageNet数据集上预先训练的网络初始化权重来进行训练。 结果表明，最深的基于CNN的ResNeXt-50模型获得了最佳性能。 为0.8997。 第二篇论文将面部吸引力计算重塑为标签分布学习问题，并提出了端到端吸引力学习框架。 在标准基准SCUT-FBP数据集上进行了广泛的实验，与