Arcface-mindspore

此项目为**科学技术大学图像测量技术课程的课程作业——使用mindspore框架复现论文。论文复现过程中参考了如下两个项目：

第一个是个人作者使用pytorch复现的论文，第二个是mindspore官方进行的复现。本想挑一篇没人用mindspore复现过的论文，可惜读论文前没有好好查找，复现debug时才发现了第二个连接，沉没成本过高，只好继续复现。

上面两个复现都非常精彩，尤其mindspore官方的复现，代码非常的工整，优雅。本人的复现就略显粗糙，这个项目的复现目的是尽可能的简单——如果有库，那么就用库，不行就重载，尽量少写自己的代码，尽可能追求一眼就能看出程序与论文对应关系、程序每个模块功能。在这样的思路指导下，项目的介绍展开如下。

Introdution

本项目实现了arcface的mindspore复现，在CASIA-maxpy-clean数据集上进行训练，在lfw数据集上进行验证。运行环境和平台为Ubuntu 20.04.5 LTS+Python3.9+mindspore1.9+CUDA11.1+3090。

复现思路

首先明确，Arcface的主要贡献在于设计了一种新的softmax函数——A-softmax。在pytorch中的交叉熵损失函数会自动对输入进行softmax，在mindspore中也有对应的模型。于是继承SoftmaxCrossEntropyWithLogits并重载construct，在使用softmax前按照论文方法对输入处理。于是Arcface的核心部分就完成了。

接下来是前面的特征提取网络和线性层。原文使用的是resnet，很明显，按照指导思路，这一块直接使用库函数就好。这一块直接复制官方复现中的resnet.py文件，稍作修改即可使用。（后来发现其实完全可以使用mindvision.classification.models模型库中的模型，但为了代码的可见性，还是保留原有方案。）

随后，写个类，在resnet后添加一个线性层，把resnet和线性层打包为一个网络。（记得归一化参数）

训练脚本中添加一些超参数、保存和加载路径。测试脚本直接使用了arcface Pytoch中的测试脚本，稍作修改，论文就复现完成了。

使用说明

文件目录如下：

.
├── data
│   ├── CASIA-maxpy-clean
|		├── 0000045
|       └── .... 
│   └── lfw
|       ├── lfw-align-128
|			├── Aaron_Eckhart
|           └── ....
|		└── lfw_test_pair.txt
├── ArcModel.py
├── A_softmax.py
├── Config.py
├── MyDataset.py
├── resnet.py
├── train.py
├── val.py
└── README.md

请下载CASIA-maxpy-clean并且解压到文件夹CASIA-maxpy-clean中。下载lfw数据集，并按照上面所示组织文件夹嵌套顺序。

train.py训练脚本，运行即可开始训练
val.py 测试脚本，运行即可测试
MyDataset.py数据集建立脚本
A_softmax.py 损失函数脚本
Config.py纯粹为了欺骗resnet.py，不过如果你使用resnet152或优化器Thor，记得进去把名字改了
resnet.py官方resnet复现

自测结果

使用3090对以resnet18和resnet50为backbone的模型，使用CASIA-maxpy-clean分别训练了75轮。使用参数为s=64,m=0.5，在lfw数据集上的测试结果如下：

backbone	resnet18	resnet50
准确度	92.3%	87.7%

限于实验室计算资源，没有进一步调参与训练，模型理应当有更好效果。

loss 变化图

以resnet18为backbone的loss曲线图

以resnet50为backbone的loss曲线图

Dataset Download

CASIA-maxpy-cleanorCASIA-maxpy-clean

lfw，passward:b2ec

Reference

arcface Pytoch

arcface-mindspore

xzhstax / arcface-mindspore Goto Github PK