MTCNN是一种级联网络，用于人脸识别任务。它包括P-Net、R-Net和O-Net，每个网络有三个输出：分类、边界框回归和关键点定位。分类使用交叉熵损失，回归问题则采用欧式距离计算损失。在线硬样本挖掘策略用于优化训练过程。
mtcnn(cascaded network)
1 数据集的准备(widerface celeba)：
负样本，正样本，部分样本，关键点样本比例=3:1:1:2,正负样本以及部分样本从widerface数据集选出，选择规则为：计算IOU的值，如果该值大于0.65则为正样本，IOU小于0.3定为负样本，IOU范围在0.4到0.65之间的设置为partive数据。关键点样本从celeba数据集中选出,
可以根据标注的边框，在满足正样本的要求下，随机裁剪出图片，然后调整关键点的坐标.
2;模型结构：
三个模型的对比：R-net相比于p-net增加了一个全连接层，目的是通过边框回归和NMS降低fp(这点不是很明白，改天问问大神再更新)，O-net是在R-net的基础上增加了卷积层，提高检测的精度。p-net到R-net的输入时用到了resize，同理，R-net到O-net的输入也用到了resize.每个网络的阈值设定一次递增，原因在于经过之前的边框回归以及NMS处理，后续模型的置信度值会变大。
最低0.47元/天 解锁文章
扫一扫
910
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
