ArcFace 模型介绍

人脸属性模型FairFace

模型描述

MogFace为当前SOTA的人脸检测方法，已在Wider Face六项榜单上霸榜一年以上，后续被CVPR2022录取(论文地址，代码地址)，该方法的主要贡献是从下面三个角度提升人脸检测器：

Scale-level Data Augmentation (SSE)：SSE是第一个从maximize pyramid layer 表征的角度来控制数据集中gt的尺度分布，而不是intuitive的假想检测器的学习能力，因此会在不同场景下都很鲁棒。
Adaptive Online Anchor Mining Strategy(Ali-AMS)：减少对超参的依赖，简单且有效的adpative label assign 方法。
Hierarchical Context-aware Module (HCAM)：减少误检是real world人脸检测器面对的最大挑战，HCAM是最近几年第一次在算法侧给出solid solution。

MogFace在WiderFace榜单上的指标如下：

模型效果

模型使用方式和使用范围

本模型可以检测输入图片中人的性别和年龄范围:[0-2, 3-9, 10-19, 20-29, 30-39, 40-49, 50-59, 60-69, 70+]。

代码范例

from modelscope.pipelines import pipeline
from modelscope.utils.constant import Tasks

mog_face_detection_func = pipeline(Tasks.face_detection, 'damo/cv_resnet101_face-detection_cvpr22papermogface')
src_img_path = 'https://modelscope.oss-cn-beijing.aliyuncs.com/test/images/mog_face_detection.jpg'
raw_result = mog_face_detection_func(src_img_path)
print('face detection output: {}.'.format(raw_result))

# if you want to show the result, you can run
from modelscope.utils.cv.image_utils import draw_face_detection_no_lm_result
from modelscope.preprocessors.image import LoadImage
import cv2
import numpy as np

# load image from url as rgb order
src_img = LoadImage.convert_to_ndarray(src_img_path)
# save src image as bgr order to local
src_img  = cv2.cvtColor(np.asarray(src_img), cv2.COLOR_RGB2BGR)
cv2.imwrite('src_img.jpg', src_img) 
# draw dst image from local src image as bgr order
dst_img = draw_face_detection_no_lm_result('src_img.jpg', raw_result)
# save dst image as bgr order to local
cv2.imwrite('dst_img.jpg', dst_img)
# show dst image by rgb order
import matplotlib.pyplot as plt
dst_img  = cv2.cvtColor(np.asarray(dst_img), cv2.COLOR_BGR2RGB)
plt.imshow(dst_img)

使用方式

推理：输入图片，如存在人脸则返回人的性别以及年龄区间。

目标场景

人脸相关的基础能力，可应用于视频监控/人像美颜/互动娱乐等场景

模型局限性及可能偏差

训练数据仅包括FairFace数据集，模型鲁棒性可能有所欠缺。
目前只支持单人的属性识别。
当前版本在python 3.7环境测试通过，其他环境下可用性待测试

预处理

测试时主要的预处理如下：

Resize：图像resize到224x224
Normalize：图像归一化，减均值除以标准差

来源说明

本模型及代码来自开源社区(地址)，请遵守相关许可。

引用

如果你觉得这个该模型对有所帮助，请考虑引用下面的相关的论文：

@article{karkkainen2019fairface,
      title={Fairface: Face attribute dataset for balanced race, gender, and age},
        author={K{\"a}rkk{\"a}inen, Kimmo and Joo, Jungseock},
          journal={arXiv preprint arXiv:1908.04913},
            year={2019}
            }