目录一、说明二、测试处理1、基于Python的虹膜识别2、基于C++虹膜识别三、测试结果一、说明本文主要对基于C++和Python的虹膜识别的效果进行测试，并对比其结果。基于C++的虹膜识别测试工程为：基于C++和Opencv2的虹膜识别工程。基于Python的测试代码为：https://github.com/thuyngch/Iris-Recognition。二、测试处理为了使用相同的数据集进行

目录一、简介二、代码1、RetinaFace的人脸检测和人脸对齐代码2、ArcFace的人脸识别代码3、完整测试和验证代码三、测试1、人脸实时采集take_pic_retina.py2、人脸批量导入采集take_pic_pic.py3、人脸库更新和测试face_verify_retina.py4、运行四、公开测试集验证一、简介主要介绍用RetinaFace（MobileNet0.25-Retina

目录一、前言二、训练准备1、T2T-ViT的Pytorch版本2、人脸识别数据和代码架构三、训练和结果1、训练2、结果一、前言最近，将transformer在CV领域中新出现的T2T-ViT模型修改，再加上ArcFace用于人脸识别，将过程记录下来，欢迎探讨。二、训练准备1、T2T-ViT的Pytorch版本参考：T2T-ViT人脸识别的Pytorch版本2、人脸识别数据和代码架构（1）人脸识别数

一、前言整理之前有关人脸识别方面的一些工作，使用RetinaFace+ArcFace的Pytorch版本复现代码对人脸进行识别。二、资源1、RetinaFace的人脸检测和人脸对齐代码人脸检测和人脸对齐部分代码参考：https://github.com/biubug6/Pytorch_Retinaface，该代码中也包含人脸识别，测试过期效果，不如ArcFace，感兴趣的可以试下。2、ArcFac

一、前言含有CASIA-FaceV5亚洲人脸数据集，以该数据集作为测试集所生成的同一人和不同人对应的测试文件。CASIA-FaceV5亚洲人脸数据集有500人、每个人5张图片，共2500张图片，图片大小为640*480。数据集共有500个文件夹，文件夹名称为：000~499；一个文件夹表示一个人，里面有5张图片，图片名称为：文件夹名_0.bmp~文件夹名_4.bmp，具体如下图所示。二、生成Pai

本篇论文的主要创新点是去除了基于CNN的目标检测框架中object proposal阶段，将目标检测问题模型化为迭代回归问题。

最近写代码，使用到了CV_LOAD_IMAGE_GRAYSCALE，其为将原图转为灰度图片。如：Mat srcImage = imread("srcImage.png", CV_LOAD_IMAGE_GRAYSCALE);其转为灰度的计算公式为：Gray = 0.299 * R + 0.587 * G + 0.114 * B但在Opencv4中，CV_LOAD_IMAGE_GRAYSCALE却找不

目录一、前言二、训练准备1、T2T-ViT的Pytorch版本2、人脸识别数据和代码架构三、训练和结果1、训练2、结果一、前言最近，将transformer在CV领域中新出现的T2T-ViT模型修改，再加上ArcFace用于人脸识别，将过程记录下来，欢迎探讨。二、训练准备1、T2T-ViT的Pytorch版本参考：T2T-ViT人脸识别的Pytorch版本2、人脸识别数据和代码架构（1）人脸识别数

本博文是转载自一篇博文，介绍GAN（Generative Adversarial Networks）即生成式对抗网络的原理以及GAN的优缺点的分析和GAN网络研究发展现状

本文主要讲解神经网络中的正则化（Regularization）和Dropout，都是用了减小过拟合。正则化在机器学习领域中很重要。主要针对模型过拟合问题而提出来的。