qq_43703185的博客

原文链接：https://blog.csdn.net/john_bh/article/details/106380784 转载请注明作者和出处： http://blog.csdn.net/john_bh/ ICCV链接:Adaptive Wing Loss for Robust F

原文链接：https://www.jianshu.com/p/d4534ac94a65微信搜索：AI算法与图像处理，最新干货全都有大家好，今天给大家分享一篇人脸算法领域非常知名的paper，RetinaFace(RetinaFace: Single-stage Dense Face Localisation in the Wild)。同时也在文末附上开源项目的链接。跟着我一起读这篇论文，希望论文的思路能够对你有所启发，如果觉得有用的，帮我分享出去，谢啦！RetinaFace的主要贡献

原文链接：https://blog.csdn.net/c2250645962/article/details/106331720/ 论文：https://arxi

原文链接：https://blog.csdn.net/weixin_44791964/article/details/106871010 睿智的目标检测40——K

原文链接：https://blog.csdn.net/weixin_44791964/article/details/102853782 睿智的目标检测9——Fo

原文链接:https://blog.csdn.net/weixin_44791964/article/details/104327456 睿智的目标检测17——K

原文链接：https://www.jianshu.com/p/e5c829953a1f如何来验证Focal Loss的有效性呢？论文提供了retinanet检测器来进行检验。retinanet网络是由一个骨干网络和两个有特定任务的子网络组成的单一网络，骨干网络负责在整个图像上计算卷积特征，第一个子网络在骨干网络的输出上执行图像分类任务，第二个子网络负责卷积边框回归，如下图所示：wenyilab那训练的效果如何呢，下图是将retinanet网络使用Focal Loss和使用CE Loss

原文链接：https://www.jianshu.com/p/6388838d8ae7[Paper:Focal Loss for Dense Object Detection][https://arxiv.org/abs/1708.02002]关于目标检测主要分为两大类别：one stage，two stageone stage 代表：yolo系列，ssd（特点：检测精度低，但检测速度快）two stage 代表：R-CNN系列,SPPNet（特点：检测精度高，但检测速度慢）在论文中作者去探讨了

原文链接：https://zhuanlan.zhihu.com/p/113184231MTCNN论文解读LBJandYPW努力做好身边的事情5 人赞同了该文章论文题目：Joint Face Detection and Alignment using Multi-task Cascaded Convolutional Networks 论文地址​arxiv.orgcode链接​github.com这篇论文是中科院深圳先进技术研究院的乔宇老师团队所作，是一篇经典的人脸检测论文。Abstract由于各种人脸图

原文链接：https://zhuanlan.zhihu.com/p/92177798原文出处：http://www.sfinst.com/?p=1683背景介绍：人脸检测，解决两个问题：1)识别图片中有没有人脸？2)如果有，人脸在哪？因此，许多人脸应用(人脸识别、面向分析)的基础是人脸检测。大多数人脸检测采用的流程为两阶段：1) 找出所有可能是人脸的候选区域2) 从候选区域中选择出最可能是人脸的区域本文的主角MTCNN，大致是这种套路，也集成了其优缺点为：准和慢。MTCNN人脸检测是2016年的论文提出来

原文链接：https://blog.csdn.net/weixin_44791964/article/details/103530206 睿智的目标检测13——K

原文链接：https://blog.csdn.net/qq_36782182/article/details/83624357 MTCNN工作原理 MTCNN