百度飞桨 PaddlePaddle 深度学习打卡7日营 -DAY3 人脸关键点检测（卷积神经网络）

DAY3 人脸关键点检测
课程链接：https://aistudio.baidu.com/aistudio/course/introduce/6771
2.5

#################################################################

春雨讲作业

实践题：
QQ群里有两个代码，加进去即可

客观题：
Q1 图像分类
Q2 摄像头对垃圾分类是图像分类任务
Q3 猫狗识别是单分类（二分类）任务
Q4 paddle.nn.cov2D 是搭建卷积层用的（Avgpool Maxpool是池化层）（ReLU、Sigmoid是激活函数）（还有归一化）
Q5 LeNet
Q6 卷积核和通道的数量一样 所以还是15
Q7 ResNet中增加了一个残差模块
Q8 全选
Q9 全选
Q10 还是全选

#################################################################

大龙老师讲课

人脸关键点检测？
人靓关键点检测可以识别人脸，一个应用就是QQ等软件中对人脸上增加一些可爱的贴图，另一个比较经典的应用案例就是“美颜”功能如瘦脸。

课程 大纲

1. 什么是人脸关键点检测(应用、任务、区别）
2. 基于ResNet50实现人脸关键点检测
3. 根据人脸关键点检测实现趣味PS
   

什么是人脸关键点检测？

输入：照片+坐标标签
模型：CNN
过程：通过训练+调优找到一个最优算法（局部）
输出：对模型进行预测后，找到脸上的关键点

本次任务是一个回归任务，不是一个分类任务，二者区别为：
分类的输出是一系列概率值，指向不同的选项，而后进行选择
回归输出的是一系列关键点的数组，得到了一个线性标量的输出（对应图片中的横纵坐标）
因此，前者是定性问题，后者是定量问题。

网络设计：

输入-》RESNET50-》线性变换-》ReLU激活-》线性变换-》输出

损失函数：
图像分类的损失函数是用信息熵计算的
人靓关键点检测可以直接用距离计算：
有L1Loss、L2Loss、SmoothL1Loss等

评估指标：NME
normalized mean error 指所有预测点和ground-truth之间的L2 Norm除（）

实践环节

参考：https://aistudio.baidu.com/aistudio/projectdetail/1487972

要fork 正式版 不要fork成作业版本了

数据集解读： 两个坐标表达一个点，如0,1表示第一个点，2,3表示第二个点，一共136个坐标，68个点

定义数据集用哪个API？ 答： vision.dataset

CHW 通道在前长宽在后 HWC长宽在前通道在后

图片归一化的意义和用处？

pipeline：

-1: batch size

PPT 讲解

套用万能公式进行回顾：

1. 问题定义：
2. 数据加载与预处理
3. 模型网络设计和开发
4. 模型训练和调优
6. 模型保存和部署

常见的人脸识别网络

TCDCNN、Look at boundary、PFLD 等

总结回顾

本节课结合ResNet50为backbone实践了人脸关键点检测项目的全部流程。

课后作业

分为客观题和案例实践
案例实践作业在人脸关键点检测的作业版本中，记得fork一下。
客观题：B

案例实践

毕业要求

所有作业写完+及格（不会可以找助教）
结业就会有100小时的算力卡
算力不够的话可以去studio运行项目