El proyecto InsightFace es mantenido principalmente por Jia Guo y Jiankang Deng.
Para todos los contribuyentes principales, marque contribuir.
El código de InsightFace se publica bajo la licencia MIT. No hay limitación para uso académico y comercial.
Los datos de entrenamiento que contienen la anotación (y los modelos entrenados con estos datos) están disponibles únicamente para fines de investigación no comerciales.
Tanto los modelos de descarga manual desde nuestro repositorio de github como los modelos de descarga automática con nuestra biblioteca de Python siguen la política de licencia anterior (que es solo para fines de investigación no comerciales).
2024-08-01 Hemos integrado nuestros modelos de intercambio de caras más avanzados: inswapper_cyn e inswapper_dax , en el servicio de intercambio de caras Picsi.Ai. Estos modelos superan a casi todos los productos comerciales similares y a nuestro modelo de código abierto inswapper_128. Visite el sitio web Picsi.Ai para utilizar el servicio y obtener ayuda.
2024-05-04 Hemos agregado InspireFace, que es un SDK de reconocimiento facial multiplataforma desarrollado en C/C++, que admite múltiples sistemas operativos y varios backends.
2023-04-01 : Integramos nuestros modelos de intercambio de caras más avanzados: inswapper_cyn e inswapper_dax y trasladamos el servicio al bot Discord, que también admite la edición de imágenes generadas por Midjourney; consulte los detalles en web-demos/swapping_discord y nuestro sitio web Picsi.Ai. .
2022-08-12 : Logramos el puesto 1 en el desafío de reconstrucción facial 3D monocular basado en proyección en perspectiva del taller, papel y código de ECCV-2022 WCPA.
2021-11-30 : Lanzamiento del desafío continuo MFR (lo mismo con IFRT), que es una versión extendida de iccv21-mfr.
2021-10-29 : Logramos el 1er lugar en la pista VISA de NIST-FRVT 1: 1 utilizando Partial FC (Xiang An, Jiankang Deng, Jia Guo).
2024-08-01 Hemos integrado nuestros modelos de intercambio de caras más avanzados: inswapper_cyn e inswapper_dax , en el servicio de intercambio de caras Picsi.Ai. Estos modelos superan a casi todos los productos comerciales similares y a nuestro modelo de código abierto inswapper_128. Visite el sitio web Picsi.Ai para utilizar el servicio y obtener ayuda.
2024-05-04 Hemos agregado InspireFace, que es un SDK de reconocimiento facial multiplataforma desarrollado en C/C++, que admite múltiples sistemas operativos y varios backends.
2024-04-17 : Reconstrucción de reflectancia facial condicionada por identidad monocular aceptada por CVPR-2024.
2023-08-08 : Lanzamos la implementación de la estimación generalizada de la mirada con supervisión débil a partir de vistas sintéticas en la reconstrucción/mirada.
2023-05-03 : Hemos lanzado la versión actual del desafío anti-suplantación de identidad de cara salvaje. Ver detalles aquí.
2023-04-01 : Integramos nuestros modelos de intercambio de caras más avanzados: inswapper_cyn e inswapper_dax y trasladamos el servicio al bot Discord, que también admite la edición de imágenes generadas por Midjourney; consulte los detalles en web-demos/swapping_discord y nuestro sitio web Picsi.Ai. .
2023-02-13 : Lanzamos un desafío anti-suplantación de identidad a gran escala en el taller CVPR23; consulte los detalles en desafíos/cvpr23-fas-wild.
2022-11-28 : Código de una sola línea para el intercambio de identidad facial en nuestro paquete Python versión 0.7; consulte el ejemplo aquí.
2022-10-28 : El sitio web MFR-Ongoing está refactorizado; cree problemas si hay algún error.
2022-09-22 : Ahora tenemos demostraciones web: localización de rostros, reconocimiento de rostros e intercambio de rostros.
2022-08-12 : Logramos el puesto 1 en el desafío de reconstrucción facial 3D monocular basado en proyección en perspectiva del taller, papel y código de ECCV-2022 WCPA.
2022-03-30 : FC parcial aceptado por CVPR-2022.
2022-02-23 : SCRFD aceptado por ICLR-2022.
2021-11-30 : Lanzamiento del desafío continuo MFR (lo mismo con IFRT), que es una versión extendida de iccv21-mfr.
2021-10-29 : Logramos el 1er lugar en la pista VISA de NIST-FRVT 1: 1 utilizando Partial FC (Xiang An, Jiankang Deng, Jia Guo).
2021-10-11 : Se lanzó la tabla de clasificación de ICCV21: desafío de reconocimiento de rostros enmascarados. Vídeo: Youtube, Bilibili.
2021-06-05 : Lanzamos un taller y desafío de reconocimiento de rostros enmascarados en ICCV 2021.
InsightFace es una caja de herramientas de análisis facial profundo 2D y 3D de código abierto, basada principalmente en PyTorch y MXNet.
Consulte nuestro sitio web para obtener más detalles.
La rama master funciona con PyTorch 1.6+ y/o MXNet=1.6-1.8 , con Python 3.x.
InsightFace implementa de manera eficiente una rica variedad de algoritmos de reconocimiento facial, detección y alineación de rostros de última generación, que se optimizaron tanto para el entrenamiento como para la implementación.
Comience con nuestro paquete Python, para probar modelos de detección, reconocimiento y alineación en imágenes de entrada.
Haga clic en la imagen para ver el vídeo de Youtube. Para usuarios de Bilibili, haga clic aquí.
La página del sitio web de InsightFace también describe todos los proyectos admitidos en InsightFace.
Quizás también le interesen algunos desafíos de InsightFace.
En este módulo, proporcionamos datos de capacitación, configuraciones de red y diseños de pérdida para el reconocimiento facial profundo.
Los métodos admitidos son los siguientes:
Las redes troncales de uso común se incluyen en la mayoría de los métodos, como IResNet, MobilefaceNet, MobileNet, InceptionResNet_v2, DenseNet, etc.
Los datos de entrenamiento incluyen, entre otros, los conjuntos de datos limpios MS1M, VGG2 y CASIA-Webface, que ya estaban empaquetados en formato binario MXNet. Consulte la página del conjunto de datos para obtener más detalles.
Proporcionamos canales de evaluación estándar IJB y Megaface en evaluación
Consulte Model-Zoo para ver más modelos previamente entrenados.
En este módulo, proporcionamos datos de entrenamiento con anotaciones, configuraciones de red y diseños de pérdida para el entrenamiento, evaluación e inferencia de detección de rostros.
Los métodos admitidos son los siguientes:
RetinaFace es un práctico detector facial de una sola etapa aceptado por CVPR 2020. Proporcionamos código de entrenamiento, conjunto de datos de entrenamiento, modelos previamente entrenados y scripts de evaluación.
SCRFD es un enfoque eficiente de detección de rostros de alta precisión que se describe inicialmente en Arxiv. Proporcionamos un proceso fácil de usar para entrenar detectores faciales de alta eficiencia con soporte NAS.
En este módulo, proporcionamos conjuntos de datos y canales de capacitación/inferencia para la alineación facial.
Métodos admitidos:
SDUNets es un método basado en mapas de calor aceptado en BMVC.
SimpleRegression proporciona modelos de puntos de referencia faciales muy livianos con una rápida regresión de coordenadas. La entrada de estos modelos es una imagen de la cara recortada, mientras que la salida son las coordenadas del punto de referencia directo.
Si encuentra útil InsightFace en su investigación, considere citar los siguientes artículos relacionados:
@inproceedings{ren2023pbidr,
title={Facial Geometric Detail Recovery via Implicit Representation},
author={Ren, Xingyu and Lattas, Alexandros and Gecer, Baris and Deng, Jiankang and Ma, Chao and Yang, Xiaokang},
booktitle={2023 IEEE 17th International Conference on Automatic Face and Gesture Recognition (FG)},
year={2023}
}
@article{guo2021sample,
title={Sample and Computation Redistribution for Efficient Face Detection},
author={Guo, Jia and Deng, Jiankang and Lattas, Alexandros and Zafeiriou, Stefanos},
journal={arXiv preprint arXiv:2105.04714},
year={2021}
}
@inproceedings{gecer2021ostec,
title={OSTeC: One-Shot Texture Completion},
author={Gecer, Baris and Deng, Jiankang and Zafeiriou, Stefanos},
booktitle={Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR)},
year={2021}
}
@inproceedings{an_2022_pfc_cvpr,
title={Killing Two Birds with One Stone: Efficient and Robust Training of Face Recognition CNNs by Partial FC},
author={An, Xiang and Deng, Jiangkang and Guo, Jia and Feng, Ziyong and Zhu, Xuhan and Jing, Yang and Tongliang, Liu},
booktitle={CVPR},
year={2022}
}
@inproceedings{an_2021_pfc_iccvw,
title={Partial FC: Training 10 Million Identities on a Single Machine},
author={An, Xiang and Zhu, Xuhan and Gao, Yuan and Xiao, Yang and Zhao, Yongle and Feng, Ziyong and Wu, Lan and Qin, Bin and Zhang, Ming and Zhang, Debing and Fu, Ying},
booktitle={ICCVW},
year={2021},
}
@inproceedings{deng2020subcenter,
title={Sub-center ArcFace: Boosting Face Recognition by Large-scale Noisy Web Faces},
author={Deng, Jiankang and Guo, Jia and Liu, Tongliang and Gong, Mingming and Zafeiriou, Stefanos},
booktitle={Proceedings of the IEEE Conference on European Conference on Computer Vision},
year={2020}
}
@inproceedings{Deng2020CVPR,
title = {RetinaFace: Single-Shot Multi-Level Face Localisation in the Wild},
author = {Deng, Jiankang and Guo, Jia and Ververas, Evangelos and Kotsia, Irene and Zafeiriou, Stefanos},
booktitle = {CVPR},
year = {2020}
}
@inproceedings{guo2018stacked,
title={Stacked Dense U-Nets with Dual Transformers for Robust Face Alignment},
author={Guo, Jia and Deng, Jiankang and Xue, Niannan and Zafeiriou, Stefanos},
booktitle={BMVC},
year={2018}
}
@article{deng2018menpo,
title={The Menpo benchmark for multi-pose 2D and 3D facial landmark localisation and tracking},
author={Deng, Jiankang and Roussos, Anastasios and Chrysos, Grigorios and Ververas, Evangelos and Kotsia, Irene and Shen, Jie and Zafeiriou, Stefanos},
journal={IJCV},
year={2018}
}
@inproceedings{deng2018arcface,
title={ArcFace: Additive Angular Margin Loss for Deep Face Recognition},
author={Deng, Jiankang and Guo, Jia and Niannan, Xue and Zafeiriou, Stefanos},
booktitle={CVPR},
year={2019}
}
Principales contribuyentes:
guojia[at]gmail.comjiankangdeng[at]gmail.comanxiangsir[at]gmail.comjackyu961127[at]gmail.combarisgecer[at]msn.com
