facenet (-Inception Resnet v1) tensorflow 代码 训练好的模型，可以直接使用。

对峙 对面部识别进行物理对抗攻击的步骤 在应用蒙版之后，将左侧的输入图像检测为右侧的目标图像。 安装 创建一个虚拟环境 conda create -n facial pip 克隆仓库 git clone https://github.com/392781/Face-Off.git 安装所需的库 pip install -r requirements.txt 导入和使用！ from adversarial_face_recognition import * ` 有关培训说明，请查看以开始少于30行。 用法 该库的目的是再次制造对抗攻击，再用FaceNet人脸识别器。 这是初步的工作，目的是使用一个可以戴在脸上的面具来产生更强壮的物理攻击。 当前管道由对齐的输入图像和计算出的蒙版组成。 然后使用dlib定向梯度检测器直方图将其输入到面部检测器中，以测试是否仍检测到面部。 然后将其传

facenet源码，facenet无需限制人脸对齐，但是代码中提供了MTCNN的对齐，而且在LFW评分中也发现经过对齐的分数能够提高一个档次。 利用提供的代码，在LFW上进行EVAL，发现其精度高达99.2%

基于mtcnn和facenet的人脸识别，已经试验过了，可以直接运行

此项目是利用MTCNN进行人脸检测，之后使用FaceNet进行人脸识别，环境为TensorFlow+pycharm

Github搬运识别模型，可用于FaceNet网络中的人脸识别，对模型进行更换。Github搬运识别模型，可用于FaceNet网络中的人脸识别，对模型进行更换。

基于yolov5的人脸识别demo，使用celeba训练yolov5，具体详见工程文件中的README，通过借鉴github上mtcnn-facenet，还有不足，不喜勿喷，谢谢。

Google提出的开源人脸识别算法FaceNet的预训练模型，FaceNet的官方的预训练模型，20180408-102900 NOTE: If you use any of the models, please do not forget to give proper credit to those providing the training dataset as well.

mobilefacenet-V2 现在我们有了更高的积累： [lfw] [12000]准确性翻转：0.99667 + -0.00358 [agedb_30] [12000]准确性翻转：0.96667 + -0.00167使用我修改后的移动网络。 lr-batch-epoch：0.01 11738 1个测试验证。.（12000，512）推断时间39.129495 [lfw] [36000] XNorm：22.729305 [lfw] [36000]准确性翻转：0.99667 + -0.00358 在纸上的mobilefacenet文件中提高mobilefacenet的准确性（ ） 第

5月16日更新 经多位网友的共同实验，原方案部分情况下迭代次数稍微不足，导致最终识别率略有小差异，为了相对容易获得论文的最佳结果，对训练方案进行简单更新，实际训练也可根据数据acc训练是否已稳定来判断lr下降的迭代次数： 适当增大softmax迭代次数，4万-->12万； 增大arcface第一级lr0.1的迭代次数，8万-->12万； ps：无闲置机器，暂不再更新log。该项目训练步骤，已验证mobilefacenet可复现，良心大作，期待作者后续的研究。 5月14日更新 更新两个实验测试： arcface_loss_test2-4：接lr0.1已经训练12万次的模型，增强lr0.1步骤的训练8万次，自身acc小幅提升，下降lr后，最终部分结果中lfw最佳结果99.517%，agedb有模型已提升至96.033%+ arcface_loss_test2-5：接arcface_loss_t