Комментарии 10
> Вы и Брэд Питт похожи на 99%
Точнее, на 99,7% (ежели вы человек).
Точнее, на 99,7% (ежели вы человек).
Эх, жаль я не видела футбольного бота я как раз и ставила Хорватов на второе место.
Да, и кто у вас мама?
Да, и кто у вас мама?
Стандартный на этой неделе вопрос: куда и как надолго сохраняются и полученные с них биометрические данные по координатам точек, пропорциям лиц и тд.
Кликбейты, мемы и шутеечки на хабре — вот что я люблю!
(И нет, это не сарказм)
Теперь все это нужно сделать на блокчайн с каналом в Телеграм.
Спасибо за статью. Не сразу понял как вы берёте dlib и при этом быстро работает, да ещё и используете 5 точек, а не 68.
Год назад когда я пробовал dlib был только shape_predictor_68_face_landmarks.dat, работал он достаточно медленно и весил 95 МБ против описываемого в статье shape_predictor_5_face_landmarks.dat, который весит всего 5МБ.
Не так давно я наткнулся на очень интересную статью (полугодовалой давности с текущего момента), в которой сравнивались разные библиотеки по поиску лиц (dlib, openface, mtcnn+SphereFace) и ещё кучу всяких сравнений, так вот выравнивание лица по 68 точкам показывало худшие результаты чем по 7 точкам, более того достаточно всего 5.
В статье были сделаны выводы:
«Когда вы используете только 5 точек, это не оказывает существенного влияния на конечные результаты.»
Трансформация Affine (используется в dlib) показала себя хуже, чем Similarity.
Лучшим методом выравнивания лица оказался SphereFace по 5 опорным точкам, найденным с помощью MTCNN.
Год назад когда я пробовал dlib был только shape_predictor_68_face_landmarks.dat, работал он достаточно медленно и весил 95 МБ против описываемого в статье shape_predictor_5_face_landmarks.dat, который весит всего 5МБ.
Не так давно я наткнулся на очень интересную статью (полугодовалой давности с текущего момента), в которой сравнивались разные библиотеки по поиску лиц (dlib, openface, mtcnn+SphereFace) и ещё кучу всяких сравнений, так вот выравнивание лица по 68 точкам показывало худшие результаты чем по 7 точкам, более того достаточно всего 5.
В статье были сделаны выводы:
«Когда вы используете только 5 точек, это не оказывает существенного влияния на конечные результаты.»
Трансформация Affine (используется в dlib) показала себя хуже, чем Similarity.
Лучшим методом выравнивания лица оказался SphereFace по 5 опорным точкам, найденным с помощью MTCNN.
Очень хорошие результаты выравнивания по 5 точкам дает алгоритм Umeyama. Интересно то, что все текущие решения распознавания лиц работают именно по этой схеме, детектирование, выравнивание (Alignmnent), вычисление вектора. На операции выравнивания тратятся ресурсы, вносятся дополнительные искажения, и по сути это костыль. Так уж исторически сложилось что alignment показал некоторый прорыв, но сейчас пора смотреть на сети которым это не нужно, либо уже зашито в них, типа SSD/YOLO.
знаете, разработчики сего — вы просто помогаете гос-ву все более ужесточить контроль над вами же и вашими детьми. мозгов то в юности мало, только программинг и кажется что все впереди! посмотрите терминатор-1. всегда были «благородные ученые» которые нарисовали ядерную бомбу, потом нашлись другие, которые ее взорвали. в распознавании лиц — нет прогресса — это регресс для человечества, если сие вообще стало востребованным. а разработчики — ну, бездумные существа и без ответственности
Спасибо. Крайне полезная статья. Подкинула много идей, которые стоит попробовать у себя. И разъяснила пару непонятных ранее моментов в dlib.
Зарегистрируйтесь на Хабре, чтобы оставить комментарий
Вы и Брэд Питт похожи на 99%