如何提高FaceNet的准确性

Question

我目前正在研究论文，在准确性和速度方面，我将比较人脸识别技术Eigenface，Fisherface和CNN。我目前正在尝试使用FaceNet为CNN训练自己的模型。

我的问题是我似乎无法使模型的准确性超过71％，而我为分类器管理的最大值为80％。我使用的是LFW数据集的一小部分，其中包含10个类别，每个类别训练40个图像，每个区域测试4个图像。

我尝试了以下参数，使用分类器可得出77.5％的准确度，而模型前向通过则可达到71％的准确度：

/*
 * Alignment
 */
python3 src/align/align_dataset_mtcnn.py ~/datasets/custom2/raw/training/ ~/datasets/custom2/aligned_182/training --image_size 182 --margin 44

python3 src/align/align_dataset_mtcnn.py ~/datasets/custom2/raw/testing/ ~/datasets/custom2/aligned_182/testing --image_size 182 --margin 44

/*
 * Training
 */
python3 src/train_softmax.py \
--logs_base_dir ~/logs/facenet/ \
--models_base_dir ~/models/facenet/ \
--data_dir ~/datasets/custom2/aligned_182/training/ \
--image_size 160 \
--model_def models.inception_resnet_v1 \
--lfw_dir ~/datasets/lfw/lfw_aligned_160/ \
--optimizer ADAM \
--learning_rate -1 \
--max_nrof_epochs 150 \
--keep_probability 0.8 \
--random_crop \
--random_flip \
--use_fixed_image_standardization \
--learning_rate_schedule_file data/learning_rate_schedule_classifier_casia.txt \
--weight_decay 5e-4 \
--embedding_size 512 \
--lfw_distance_metric 1 \
--lfw_use_flipped_images \
--lfw_subtract_mean \
--validation_set_split_ratio 0.05 \
--validate_every_n_epochs 5 \
--prelogits_norm_loss_factor 5e-4

python3 src/freeze_graph.py ~/models/facenet/20190402-225816/ ~/models/facenet/20190402-225816/model.pb

python3 src/classifier.py TRAIN ~/datasets/custom2/aligned_182/training/ ~/models/facenet/20190402-225816/model.pb ~/models/facenet/20190402-225816/classifier.pkl --batch_size 1000

/*
 * Test verification
 */
python3 src/classifier.py CLASSIFY ~/datasets/custom2/aligned_182/testing/ ~/models/facenet/20190402-225816/model.pb ~/models/facenet/20190402-225816/classifier.pkl --batch_size 1000

但是在此之前，我尝试了以下方法，这些方法使用分类器的准确度为80％，而前传的准确度为〜68％：

/*
 * Alignment
 */
for N in {1..4}; do python3 src/align/align_dataset_mtcnn.py ~/datasets/custom2/raw/training ~/datasets/custom2/aligned_160/training --image_size 160 --margin 32 --random_order --gpu_memory_fraction 0.2 & done

/*
 * Training
 */
python3 src/train_softmax.py \
--logs_base_dir ~/logs/facenet/ \
--models_base_dir ~/models/facenet/ \
--data_dir ~/datasets/custom2/aligned_160/training \
--image_size 160 \
--model_def models.inception_resnet_v1 \
--lfw_dir ~/datasets/lfw/lfw_aligned_160 \
--optimizer RMSPROP \
--learning_rate 0.01 \
--weight_decay 1e-4 \
--max_nrof_epochs 100 \
--gpu_memory_fraction 0.95

python3 src/freeze_graph.py ~/models/facenet/20190401-114728/ ~/models/facenet/20190401-114728/model.pb

python3 src/classifier.py TRAIN ~/datasets/custom2/aligned_160/training/ ~/models/facenet/20190401-114728/model.pb ~/models/facenet/20190401-114728/classifier.pkl --batch_size 1000

/*
 * Verification
 */
python3 src/classifier.py CLASSIFY ~/datasets/custom2/aligned_160/testing/ ~/models/facenet/20190401-114728/model.pb ~/models/facenet/20190401-114728/classifier.pkl --batch_size 1000

在LFW正向传递中，模型本身的准确度在第一个较好，约为〜71％，而不是〜68％，但是使用分类器则为77.5％，而不是80％。我的问题是我应该怎么做才能获得更高的精度。 如果可能的话，我希望获得90％以上的折扣。我从张量板上收集的图表中可以看到，模型在训练过程中无处不在。这些图表来自模型，准确度约为71％：

这些来自第一个模型，准确度约为68％

如果可能的话，我想使用自己的模型达到90％以上的精度，因为我将其与其他技术进行比较。

如果需要更多信息以帮助我，请告诉我！这里有人知道我应该怎么做才能达到90％以上的准确性吗？

谢谢！