我开发了一个 Android 应用程序，让任何人都可以将百科全书（桥梁、博物馆、菜肴、风景、绘画等）的图片上传到 Wikimedia Commons。
不幸的是，5% 的用户觉得上传自己的自拍很有趣。所以我想以编程方式检查图片是否是自拍，如果可能，警告他们自拍是题外话。
作为一个数据集，我有：
所有照片都是用智能手机（数百种不同型号）拍摄的，它们是 2MB 到 5MB 的 JPG 文件，具有各种尺寸和比例，纵向或横向模式。
我必须只使用开源，并且生成的检测代码必须在不到一秒的时间内在低端 Android 手机上运行。
这项任务需要什么方法和步骤？
我会去转移学习的方式。这个想法是采用网络，它已经在大型数据集上进行了训练，并开发了许多可以重复使用的卷积过滤器。TensorFlow中有一些可用。您在 ImageNet 上进行预训练的网络，砍掉负责对这些过滤器进行分类的最后一层，并用您自己的替换它。这样一来，您实际上并不需要拥有那么多数据来达到开创性的分数。
检查这些链接：
您还可以提供自己的顶层来更改输入形状。
base_model = MobileNetV2(
weights="imagenet",
include_top=False,
input_shape=(HEIGTH, WIDTH, DEPTH)
)
您可以选择是否重新训练网络。
base_model.trainable = False
现在只需使用基本模型实例化一个新模型并添加最终层。
model = Sequential(base_model)
model.add(Flatten())
model.add(Dense(units=1024))
model.add(Activation('relu'))
model.add(BatchNormalization())
model.add(Dropout(rate=0.25))
model.add(Dense(units=1024))
model.add(Activation('relu'))
model.add(BatchNormalization())
model.add(Dropout(rate=0.25))
model.add(Dense(units=len(encoder.classes_)))
model.add(Activation('softmax'))
然后像往常一样编译模型。
model.compile(
loss='categorical_crossentropy',
optimizer=Adam(
learning_rate=0.0001
),
metrics=['accuracy']
)
请注意，您必须选择正确数量的最终密集层及其形状。您仍然需要对其进行微调：使用哪个激活函数，是否应该进行权重衰减，以哪个速率，什么优化器，什么学习率等。
为此，您无需经历自己创建模型的痛苦。使用 MTCNN 检测人脸并继续操作。
对于后代，将面部大小和位置与图像进行比较并做出最佳决定。
图像识别技术的实现 有很多开源库可用于图像识别和分类。您可以使用“TensorFlow”库进行图像识别，并且可以与您的 Android 应用程序集成。
最好的方法是使用like
带有 U-Net 的移动网络
def create_model(trainable=True):
model = MobileNet(input_shape=(IMAGE_HEIGHT, IMAGE_WIDTH, 3), include_top=False, alpha=ALPHA, weights="imagenet")
for layer in model.layers:
layer.trainable = trainable
block1 = model.get_layer("conv_pw_5_relu").output
block2 = model.get_layer("conv_pw_11_relu").output
block3 = model.get_layer("conv_pw_13_relu").output
x = Concatenate()([UpSampling2D()(block3), block2])
x = Concatenate()([UpSampling2D()(x), block1])
x = Conv2D(1, kernel_size=1, activation="sigmoid")(x)
x = Reshape((HEIGHT_CELLS, WIDTH_CELLS))(x)
return Model(inputs=model.input, outputs=x)
具有预定义权重的 VGG-Face
from keras_vggface.vggface import VGGFace
model=VGGFace(weights_path)
model.summary()