厅网站建设项目背景,邢台做移动网站,职业本科专业建设规划,我的网站 dedecmsref:https://arxiv.org/pdf/1611.05431.pdf https://github.com/miraclewkf/ResNeXt-PyTorch 用分类的思想做活体检测#xff0c;要求准确的分出正负样本#xff0c;否则#xff0c;支付宝被别人用了#xff0c;问题就很严重。 大部分的商用场景还是 摇摇头、张张口#x…ref:https://arxiv.org/pdf/1611.05431.pdf https://github.com/miraclewkf/ResNeXt-PyTorch 用分类的思想做活体检测要求准确的分出正负样本否则支付宝被别人用了问题就很严重。 大部分的商用场景还是 摇摇头、张张口配合动作来做。但其实这件事很尬尤其是人多的时候。 所以分类上有所突破是关键。 数据集CASIA-SURF dataset 如何提升准确度
1.需要细粒度的分类
Real 与 Attack 在整体上差别较小但在细节上差别较大。 抠出patch块特征眼睛、鼻子、嘴…等等。 用固定位置去抠或者整张图去抠。 一张图片抠多少个块这是一个网络的超参数。patch的大小是多少32*32 抠20个patch然后投票看是否能再二分类的基础上有提升
融合训练
RGB三通道depthIR 变成 5个channel的32*32 来融合可以尝试一下。 作者用的是Multi-stream fusion with MFE 多模态擦除式融合 concat和add是不一样的 concat会保留更多的特征。但是融合多了会有过拟合风险。 数据量每增加多少而模型的参数量却扩大了三倍因为是单独提的特征。就容易发生过拟合。 作者在论文中drop的不是神经元而是模态 从三个模态中随机选择一个模态设置成0 dropout 不适合cnn dropout是指在深度学习网络的训练过程中对于神经网络单元按照一定的概率将其暂时从网络中丢弃。注意是「暂时」对于随机梯度下降来说由于是随机丢弃故而每一个mini-batch都在训练不同的网络。
Dropout类似于bagging ensemble减少variance。也就是投通过投票来减少可变性。通常我们在全连接层部分使用dropout在卷积层则不使用。但「dropout」并不适合所有的情况不要无脑上Dropout。
Dropout一般适合于全连接层部分而卷积层由于其参数并不是很多所以不需要dropout加上的话对模型的泛化能力并没有太大的影响。
可以用 dropbock 问什么要用近红外图相比于深度图和rgb图有什么其它信息 真假样本非常不均衡真的只有1个假的6个。 refhttps://zhuanlan.zhihu.com/p/432851296
