◆ ◆ ◆

学习目标

• 了解典型的CNN模型框架，如AlexNet，VGG，NIN，Googlenet, ResNet

• 训练人脸分类网络

◆ ◆ ◆

学习目标

Day 1： 了解典型CNN模型框架

小目标：学习VGG网络模型结构，了解其它经典CNN模型

必读：VGG http://www.robots.ox.ac.uk/~vgg/research/very_deep/

选读：

1.AlexNet

https://papers.nips.cc/paper/4824-imagenet-classification-with-deep-convolutional-neural-networks.pdf

2.Network in Network

https://arxiv.org/pdf/1312.4400v3.pdf

3.GoogLeNet

http://www.cv-foundation.org/openaccess/content_cvpr_2015/papers/Szegedy_Going_Deeper_With_2015_CVPR_paper.pdf

4.ResNet

https://arxiv.org/pdf/1512.03385v1.pdf

Day 2： VGG-Face 人脸识别

小目标：理解VGG-Face人脸识别原理和流程

必读：VGG-Face （这篇论文很重要！！！多看几遍哟~~）

http://www.robots.ox.ac.uk/~vgg/publications/2015/Parkhi15/parkhi15.pdf

选读：人脸识别简史与近期进展

https://zhuanlan.zhihu.com/p/21465605?refer=dlclass

Day 3： VGG-Face 模型上手体验

小目标：使用VGG-Face模型进行人脸识别

必读：VGG-Face 模型

http://www.robots.ox.ac.uk/~vgg/software/vgg_face/

内有训练好的model，大家下载下来跑起来看看，并结合论文，理清楚如何训练人脸分类网络，如何用这个网络提取特征用于人脸识别。

选读：Valse2016 | 刘昕-CNN近期进展与实用技巧

http://pan.baidu.com/s/1bo4mCeN

Vasle2016 | 山世光-深度学习多层神经网络的复兴与变革

http://pan.baidu.com/s/1slxoKkX

Day 4-5： 训练人脸分类网络

小目标：利用训练营提供的人脸数据集训练人脸分类模型

必读：

1.自己动手训练一个网络

数据集

• 训练集 9W+张人脸图片，包含10000 ID；测试集1包含 400 对人脸图片；测试集2包含 1000 对人脸图片。

• 训练集、测试集的文件夹名称即为每组图片的ID。

• 训练集中每个文件夹中的图片为同一个人的图片，测试集中每对图片不一定是同一个人。

• 11月25日提供训练集下载，测试集1和测试集2下载时间见文章最后说明。大家可以先在训练集中自行划分训练集、验证集和测试集，进行模型训练和测试。

• 训练集下载链接: https://pan.baidu.com/s/1jHAflki 密码: mr7f

• 本数据集由云从科技提供，仅供学习交流使用，未经许可不得用于商业目的。

网络模型：基于VGG-Face模型进行finetune, 也可以选用其它网络如AlexNet，GoogleNet，ResNet或是你自己设计的网络都可以~~（讲道理，网络越深效果越好）

如果基于现有的网络模型finetune，请参考：

-caffe/examples/finetune_flickr_style

http://blog.csdn.net/hlx371240/article/details/51388022

2.CNN训练技巧 – 南大 魏秀参

http://pan.baidu.com/s/1bpuZwJX

◆ ◆ ◆

One more thing...

本次深度学习训练营的最终实战项目是真实的人脸识别问题。

同学们所做实现的人脸识别的算法结果，将以练习赛的形式通过科赛网的竞赛平台进行提交与评估。练习赛成绩优异的同学，将有机会获得最佳作品的奖学金奖励。

第三周学习材料已提供训练集的下载链接（见上文Day4-5必读/1/数据集/5）。学员可以先在训练集中自行划分训练集、验证集和测试集，进行模型训练和测试。

12月1日开始，同学们就可以通过科赛网提交练习赛的结果，实时了解自己的算法成绩和排名。同学们可以在练习赛中检验自己的学习成果，不断调整和完善自己的算法方案，进行更有针对性的交流和请教。

练习赛分成两个阶段。

第一阶段，主要供大家熟悉比赛流程，练习分类算法，这一阶段提供测试集1（400对图片）作为测试集，本阶段成绩不计入总成绩；

第二阶段，提供测试集2（1000对图片），本阶段成绩计入最终成绩，时间也会比第一阶段短。

参赛者需要提交测试集图片对ID和相似度，本次比赛使用AUC作为评估标准（可以用scikit-learn中的AUC方法计算），训练营学员需要独立完成比赛。

提交样例：https://pan.baidu.com/s/1i4EkUMh

AUC方法：http://scikit-learn.org/stable/modules/generated/sklearn.metrics.roc_auc_score.html

除了训练营的成员，其他对人脸识别感兴趣的小伙伴，也将有机会参与到比赛中来与各位同台竞技，但不会作为训练营奖学金的人选。这次人脸识别比赛的最终冠军会是谁，让我们拭目以待吧！

◆ ◆ ◆

学习目标

• 头部动作识别：抬头，点头，左转，右转

• 在视频里显示相应的动作标签

• 学习头部姿态估计的基础理论（感兴趣就看看咯~~）

◆ ◆ ◆

学习指引

Day 1： 非常naïve的头部动作判断~~

小目标：根据关键点位置变化，判断头部动作

既然可以获取人脸关键点位置，那最easy的方法就是通过这些点坐标的变化来判断头部动作，比如所有关键点都向左偏移大于一定阈值，则可认为左转，其它动作以此类推~~

大家编个小程序试试看吧

Tips：这种方法太简单粗暴了，同时也会有一个问题，比如当头部向左平移时，也会被判断为左转~~ 老司机们应该也发现了吧

Day 2： 头部姿态估计

小目标：理解头部姿态估计原理

必读：人脸姿态估计浅谈（科普）

http://blog.csdn.net/wsj998689aa/article/details/39294171

选读：PAMI09 – Head Pose Estimation in Computer Vision: A Survey

http://cvrr.ucsd.edu/publications/2009/MurphyChutorian_Trivedi_PAMI09.pdf

Day 3： 头部姿态估计 – OpenCV (上)

小目标：参考下面的代码来实现头部姿态估计

必读：Head Pose Estimation using OpenCV

http://www.learnopencv.com/head-pose-estimation-using-opencv-and-dlib/

Day 4： 头部姿态估计 – OpenCV (下)

小目标：参考下面的内容和代码来实现头部姿态估计

必读：Mastering OpenCV with Practical Computer Vision Projects

-Chaper 7 3D Head Pose Estimation Using AAM and POSIT

http://pan.baidu.com/s/1slldvPV

-Code:

https://github.com/MasteringOpenCV/code/tree/master/Chapter7_HeadPoseEstimation

Day 5： 头部姿态估计 – 动作识别

小目标：基于day3-4完成头部动作判断，并显示相应的标签（left，right，up，down）

Tips: 计算头部旋转角度，如果左转角度超过一定阈值（比如10度），则可以认为头部左转，其它情况类似。