Machine learning 构建您自己的自定义面部识别的良好实践是什么？
我正在为我们的办公室建立一个定制的面部识别系统 我计划使用谷歌FaceNet，Machine learning 构建您自己的自定义面部识别的良好实践是什么？,machine-learning,deep-learning,computer-vision,dataset,facial-identification,Machine Learning,Deep Learning,Computer Vision,Dataset,Facial Identification,我正在为我们的办公室建立一个定制的面部识别系统 我计划使用谷歌FaceNet， 现在我的问题是，你可以在keras或pytorch中找到或创建你自己版本的facenet模型，这没有问题，但关于创建数据集，我想知道在我之前没有此人的照片时，捕捉此人照片的最佳做法是什么，我只有一个相机和一个人，我是否应该通过改变闪电条件、方向或面部大小来创建差异？经过适当训练的脸网模型应该已经对照明条件、姿势和其他不应作为识别面部一部分的特征保持一定的不变。至少这是一份草案中所声称的。如果您只打算比较从网络生成的特
现在我的问题是，你可以在keras或pytorch中找到或创建你自己版本的facenet模型，这没有问题，但关于创建数据集，我想知道在我之前没有此人的照片时，捕捉此人照片的最佳做法是什么，我只有一个相机和一个人，我是否应该通过改变闪电条件、方向或面部大小来创建差异？经过适当训练的脸网模型应该已经对照明条件、姿势和其他不应作为识别面部一部分的特征保持一定的不变。至少这是一份草案中所声称的。如果您只打算比较从网络生成的特征向量，并打算识别一小群人，那么您自己的数据集可能不必特别大 就我个人而言，我做了一些非常类似于您为大约100人的团队所做的努力。数据集由每人1张图像组成，我使用1-N-N分类器对生成的特征向量进行分类。虽然我不记得确切的结果，但它确实很有效。预训练网络的架构与FaceNet不同，但总体思路是相同的 但真正回答你问题的唯一方法是进行实验，看看在实践中情况如何