【深度学习：目标检测】 Face Detection with the Faster R-CNN（数据集标注对比研究报告 ）

转载：http://blog.csdn.net/xzzppp/article/details/52071614

1、简介

    Faster R-CNN是R-CNN系列深度学习人脸检测最好的方法，mean average precision（mAP）达到73.2%，目标检测的速度可以达到每秒5帧。

    技术上将RPN网络和FastR-CNN网络结合到了一起，是一个CNN网络实现端到端目标检测的框架。

R-CNN系列方法对比

数据集1：Wider face  

    Wider face是由香港中文大学公开的人脸检测基准数据集，包含训练集、验证集和测试集，是现有人脸数据集的十倍。

    共包含3.2w张图片，39.3w个标注人脸，全部手工标注，标注人脸有较大程度的尺寸、姿态和遮挡等变化。

数据集2：myface  

    myface是我们实验室自行收集的人脸数据库，共包含2w张图片，约2.1w个人脸，以西方人脸居多。

    使用于仕琪人脸标注方法对图片进行标注。

2、FDDB上效果对比

2.1  Wider_face

2.2  myface

2.3  wider2myface

2.4  myface2myface

FDDB测试对比表

3、caffemodel跑demo实例对比

4、不同人脸数据集差异对比

5、研究结论及意义

结论：

1、myface标注方法效果一般，标注范围单一，导致训练效果一般；

2、wider face采用标注手工标注，标注范围较广，是优秀的人脸训练数据集。

3、由wider2myface发现，一个图片中包含单个人脸不影响训练效果，在相同算法方法条件下，人脸标注好坏是影响训练效果的关键因素。

意义：

1、采用wider face作为以后人脸检测训练的数据集；

2、用wider_face(faster_rcnn)caffemodel对自己图像进行标注；

3、本实验与基于faster_rcnn做行人检测、汽车检测等相似，可为其提供较大帮助。

顶

1

踩