在CPU上实时运行的基于ResNet10-SSD的虹膜检测

开源代码：https://github.com/zhongqianli/iris_detector

如何用SSD训练虹膜检测模型

见《如何使用Caffe-SSD框架训练虹膜检测模型》

网络设计

ResNet10-SSD

使用4个残差模块作为base network, 然后添加SSD的extra layers.

Visualization of network structure (tools from ethereon)
http://ethereon.github.io/netscope/#/gist/bc73857987941a56bc45bf4c4ae870b0

ResNet10-SSD-Half

和前面的ResNet10-SSD结构一样，当滤波器的数量大于32时，将其减半.

网络结构可视化 (tools from ethereon)
http://ethereon.github.io/netscope/#/gist/cf4dccec1f9a6c8f3f125000cd7b97f9

MobileNet-SSD

见 https://github.com/chuanqi305/MobileNet-SSD

网络结构可视化 (tools from ethereon)
http://ethereon.github.io/netscope/#/gist/e1e8c3c3a450f0502ef8ff6547d5dedb

实验

我们的iris dataset包含12800个训练样本和3200个测试样本。在GTX1080Ti上训练。在Intel i5 CPU和GTX1080Ti GPU上测试。

速度测试结果

ResNet10-SSD-half比其他两个网络都快。

Network	mAP	Speed on Intel i5 CPU(ms)	Speed on GTX1080Ti(ms)	Input resolution
ResNet10-SSD	1.0	20	13	640x480
ResNet10-SSD-Half	1.0	10	7	640x480
MobileNet+SSD	-	27	18	640x480

ResNet10-SSD

模型训练

detection_eval = 1

模型测试

Intel i5 CPU

• opencv3.4 Python测试结果:
  

• opencv3.4 C++测试结果:
  

GTX1080Ti GPU

ResNet10-SSD-Half

模型训练

detection_eval = 1

模型测试

Intel i5 CPU
opencv3.4 Python测试结果:

opencv3.4 C++ 测试结果:

GTX1080Ti GPU

MobileNet-SSD

模型测试

我们只测试了mobilenet_300x300_ssd_iter_3000.caffemodel. 速度比ResNet10-SSD慢很多，所以我们不再继续训练下去。