遮挡人脸识别（MFR）

MFR（遮挡人脸识别）

MFR的一些难点：
1、大量脸部特征的丢失
2、缺少训练集，难以有效训练
3、遮挡在检测、跟踪、识别等各方面都有影响

解决方案：
1、丢失大量面部特征后如何进行检测？
F1:通过采用基于空间位置的注意力机制特征学习，使其更关注对眼部区域的特征学习。
2、训练数据不够？
F1:百度视觉采用基于人脸关键点的3D图像融合技术。（也就是合成口罩）。例如：mask Webface、mask-LFW和一些收集到的真实口罩遮挡图片）
3、人脸识别个环节之间的问题？
F1:检测算法：PyramidBox-lite检测算法
口罩分类算法：基于人脸关键点网络，抽取具有丰富面部语义信息的人脸特征表示，并基于该特征进行口罩遮挡判断，还通过PaddleSlim进行模型压缩，大小缩小了3倍多。

人脸检测相关研究：

BOX系列模型，在业界处于领先地位：
DenseBox，第一个anchor free且可以进行端到端训练的物体检测器；

PyramidBox，引入基于anchor的上下文辅助方法，用于半监督学习人脸上下文特征；

DAFBox，基于注意力指引的语义增强特征融合框架来学习各个尺度的具有丰富语义特征金字塔；

BFBox，第一篇基于神经网络架构搜索的人脸检测方法，支持同时搜索适合人脸检测的特征提取器和特征金字塔；

HAMBox，可在线挖掘高质量锚点的高性能框架

CVPR 2020人脸方向论文：
HAMBox：Delving into Online High-quality Anchors Mining for Detecting Outer Faces

BFBox：Searching Face-appropriate Backbone and Feature Pyramid Network for Face Detector

FaceScape：a Large-scale High Quality 3D Face Dataset and Detailed Riggable 3D Face Prediction

Hierarchical Pyramid Diverse Attention Network for Face Recognition

此次疫情之下，人脸识别背后的核心技术问题，包括复杂场景多人脸检测、多人脸跟踪定位、实时模型预测、戴口罩人脸识别。