SignalNeuroHack-DigitalDesign-Face-Verification

Введение

Это - решение для SignalNeuroHack, 5 кейс, DigitalDesign

В этом репозитории вы найдете актуальный код для получения высокого качества решения кейса, код для воспроизведения экспериментальных моделей, которые не удалось использовать для получения предсказания на тестовом датасете.

Решение

Краткое описание

Код в репозитории поможет со State-Of-The-Art точностью сравнивать схожесть людей на изображениях. Текущее решение представляет собой имплементацию модели с IResnet100 Backbone с ArcFaceLoss и Deep-препроцессингом данных.

Особенности решения

• Коррекция освещения лица на изображении с помощью Deep Single Image Portrait Relighting CNN Model
• Имплементация ArcFace модели выполнена с помощью библиотеки InsightFace

Внешние данные и Pretrained weights

В качестве внешних данных использовались лишь разрешенные.

Мы использовали Pretrained R100 Model для инициализации. Во время тренировки использовался датасет Glint360K - то, что указано в списке предтренированных весов на странице.

Модели

• IResnet100 ArcFace + CNN Relightning
• EfficientNetV2 + Contrastive & Circle Losses

Финальные результаты

Мы использовали две модели и получили следующие результаты:

1. IResnet100 ArcFace + CNN Relightning Public LB: F1 - 0.9739; Recall - 0.9152 Private LB: F1 - 0.876; Recall - 0.827

2. EfficientNetV2 + Contrastive & Circle Losses Public LB: не хватило времени на тренировку;

Структура репозитория

• SOTA - папка, в которой находятся актуальное решение.
  • pred.py - настройка конфигурации и инференс модели.

-experimental - bonus code (experiments w/ various models) EfficientNetCirclenContrastLosses - директория

Как запустить актуальное решение

• SOTA - папка, в которой находятся Python-файлы с необходимыми функциями.
• Необходимо предоставить путь к модели (в формате ONNX), путь к данным в виде Pickle, выходной путь
• Изменить конфигурационные параметры

Don't deal with the noise...