[论文笔记] SCRFD 阅读笔记

最新推荐文章于 2024-09-12 06:57:25 发布
最新推荐文章于 2024-09-12 06:57:25 发布
阅读量1k 收藏 1
点赞数
分类专栏： 论文笔记 文章标签： 计算机视觉 深度学习 人工智能
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_44690067/article/details/126733400
版权
本文介绍了Sample and Computation Redistribution for Efficient Face Detection (SCRFD)的技术，旨在解决人脸检测算法效率和准确性的问题。通过样本再分配（SR）策略增加小目标人脸的训练样本，以及计算再分配（CR）方法在模型的不同部分重新分配计算资源，以提高在WIDERFace数据集上的检测性能。实验表明，这种计算资源集中在backbone、尤其是stem+C2+C3部分的分配方式能够实现最佳的检测精度。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

SCRFD 阅读笔记

Sample and Computation Redistribution for Efficient Face Detection (Arxiv 2021)

论文链接：论文链接
论文主页：论文主页
代码链接：代码链接
在这里插入图片描述

动机

  • 大部分的人脸检测算法都缺乏高效性，运行速度非常慢，或者准确率不够高

解决方案

  • 两个方法：

    • 样本再分配（SR），它根据基准数据集的统计数据为最需要的阶段增加训练样本
    • 计算再分配 (CR)，使用搜索方法在模型的backbone、neck和head之间重新分配计算资源

  • 样本再分配（SR）

    • WIDERFace 中的图片长边固定为 640p 时，大部分 easy 的人脸大于 32×32，大多数 medium 人脸大于 16×16，而在 hard 人脸中，78.93% 的人脸小于32×32，51.85% 的人脸小于16×16，13.36% 的人脸小于8×8；因此如果想要提升 hard 难度的人脸检测率，那么需要在小目标检测上下功夫
      在这里插入图片描述

    • 传统 crop 数据增强方法使用 [0.3,1.0] 的随机大小对原始图片进行裁剪，再缩放至所需大小进行训练；SR采用的是 [0.3,2.0] 的大裁剪策略。使用大裁剪策略后，小人脸（<32×32）的数量明显增加，能显著提升小目标检测的效率。
      在这里插入图片描述

  • 计算再分配（CR）

    • 人脸检测器的自由度：

      • backbone stem，三个3×3卷积层，输出通道为 w 0 w_0
最低0.47元/天 解锁文章
【深度学习】【SCRFD】人脸检测模型 Sample and Computation Redistribution for Efficient Face Detection
q742971636的博客
03-31 3419
论文：https://arxiv.org/pdf/2105.04714.pdf 代码：文章目录论文工作Sample RedistributionComputation Redistribution 论文工作 指出训练数据采样和计算分布策略（training data sampling and computation distribution strategies）是高效和准确的人脸检测的关键，基于此提出： （1）样本再分配(Sample Redistribution, SR)，基于基准数据集的统计，在最需要
论文精读的markdown模板——以及用obsidian阅读网页资料做笔记
东方
02-09 975
方法论是一种以解决问题为目标的理论体系或系统，通常涉及对问题阶段、任务、工具、方法技巧的论述。方法论会对一系列具体的方法进行分析研究、系统总结并最终提出较为一般性的原则。
ScrFD人脸检测总结,2021轻量级的人脸检测
m0_62789066的博客
10-10 1670
论文：Sample and Computation Redistribution for Efficient Face Detectionhttps://link.zhihu.com/?target=https%3A//arxiv.org/abs/2105.04714论文： Sample and Computation Redistribution for Efficient Face Detection​arxiv.org/abs/2105.04714 代码位置： deepinsight/insig
【论文阅读】SCRFD: Sample and Computation 重分配的高效人脸检测
博观约取，厚积薄发
02-21 1427
尽管在 非受控（uncontrolled）人脸检测 方面已经取得了巨大的进展，但低计算成本和高精度的 高效人脸检测仍然是一个公开的挑战。本文指出训练数据采样和计算分布策略（training data sampling and computation distribution strategies）是高效准确的人脸检测的关键。
SCRFD: Sample and Computation Redistribution for Efficient Face Detection
qq_37380036的博客
11-01 507
样本和计算重分布方法
【人脸检测】——Sample and Computation Redistribution for Efficient Face Detection论文简读
怡宝2号
04-28 868
在非受控人脸检测方面已经取得了巨大的进步，但低计算成本和高精度的高效人脸检测仍然是一个开放的挑战。作者提出了两种简单而有效的方法：样本再分配（SR）和计算再分配（CR）。在WIDER FACE上进行的大量实验表明，所提出的SCRFD家族具有SOTA的效率和精度权衡。特别是，SCRFD-34GF的性能比最好的竞争对手TinaFace高出3.86%，同时在VGA分辨率图像的gpu上比TinaFace快3倍以上。图像分辨率的影响直接将分类网络的主干用于目标检测是次优的。
学习看论文入门记录、阅读论文笔记模板
07-11
论文的基本了解、论文笔记内容、阅读记录模板纵向、阅读记录模板横向、论文搜索翻译润色、笔记等的相关网站软件记录
spp-net论文阅读笔记
08-18
spp-net论文阅读笔记
论文笔记模板——自用xmind模板
10-15
为了看论文时更有条理，并且沉淀的东西更多更有用，我总结了一个自用的【论文笔记整理模板】，以xmind格式呈现
20220608-SCRFD-样本和计算重分配
再次出发的专栏
07-26 877
基于基准数据集统计的样本重新分配()，它增加了最需要阶段的训练样本;基于精确定义的搜索方法的计算重新分配()，它在模型的骨干、颈部和头部之间重新分配计算。准确的来说，这里就是考虑直接利用分类网络的主干部分进行特定规模的人脸检测可能是次优的。所以本文提出参考regnet来进行网络搜索，在限定整体模型计算量的情况下，合理的分配每一个block的计算量，找到最佳的分配方案；同时，针对特定环节（Stride=8）提升正样本的采样数量来优化模型的训练过程，提升精度。这里有就是前面提到的。。。。...
【人脸检测】SCRFD：训练数据采样和计算分配策略结合的高效人脸检测方法
最新发布
qq_40734883的博客
09-12 1628
文中指出**训练数据采样和计算分配策略是实现高效准确人脸检测的关键**。受到这些观察的启发，引入了两种简单但有效的方法：(1) 样本再分配（SR），根据基准数据集的统计信息增加最需要阶段的训练样本；以及(2) 计算再分配（CR），根据精心定义搜索方法将计算重新分配到模型的backbone、neck部和head之间。在WIDER FACE数据集上进行的大量实验证明了所提出的SCRFD在各种计算范围内的最新效率-准确度权衡。特别地，SCRFD-34GF在VGA分辨率图像的GPU上比最佳竞争者TinaFace表现
SCRFD学习笔记
weixin_41807182的博客
11-18 1951
人脸检测
人脸检测--SCRDF
gs344937933的专栏
05-24 1210
论文：https://arxiv.org/pdf/2105.04714.pdf 代码：https://github.com/deepinsight/insightface/tree/master/detection/scrfd 摘要 （1）发现训练数据的样本分布的特点，提出了扩大随机裁剪的范围，从[0.3,1.0] 到 [0.3,2.0] （2）发现计算量的分布策略，有两个方法：Computation search space reduction 和Computation redistribut.
【AI视野·今日CV 计算机视觉论文速览 第196篇】Wed, 12 May 2021
TomRen
05-12 738
AI视野·今日CS.CV 计算机视觉论文速览 Wed, 12 May 2021 Totally 53 papers ????上期速览✈更多精彩请移步主页 Daily Computer Vision Papers Home Action Genome: Cooperative Compositional Action Understanding Authors Nishant Rai, Haofeng Chen, Jingwei Ji, Rishi Desai, Kazuki Kozuka, Sh
【人工智能】NIPS2019 | 2019NIPS论文 | NeurIPS2019最新更新论文~持续更新| NIPS2019百度云下载
热门推荐
中科院AI算法工程师的博客
09-04 2万+
论文下载百度云链接：链接：https://pan.baidu.com/s/100OAXTIOTPoMjbi-dwOcxA 提取码：请关注【计算机视觉联盟】微信公众号，回复：NIPS2019 今天更新到2019年10月11号 目录 今天更新到2019年9月4号 Understanding the Representation Power of Graph Neural Networks i...
[人脸关键点检测] PFLD：简单、快速、超高精度人脸关键检测
不忘初心~
03-04 6525
PFLD算法，目前主流数据集上达到最高精度、ARM安卓机140fps，模型大小仅2.1M!
对抗样本方向（Adversarial Examples）2018-2020年最新论文调研
huitailangyz的博客
06-15 1万+
调研范围 2018NIPS、2019NIPS、2018ECCV、2019ICCV、2019CVPR、2020CVPR、2019ICML、2019ICLR、2020ICLR 2018NIPS Contamination Attacks and Mitigation in Multi-Party Machine Learning（防御） 作者：Jamie Hayes(Univeristy College London) Olga Ohrimenko(Microsoft Research) 摘要：Machine
人脸检测--Supervised Transformer Network for Efficient Face Detection
AI小作坊 的博客
10-19 1886
Supervised Transformer Network for Efficient Face Detection ECCV2016人脸检测： the cascaded network；end-to-end learning； jointly conduct face detection and face alignment Our detector runs at 30 FPS on a
计算机视觉最新进展概览(2021年5月9日到2021年5月15日)
weixin_36670529的博客
03-01 1184
1、Sample and Computation Redistribution for Efficient Face Detection https://arxiv.org/abs/2105.04714 2、Let There be Light: Improved Traffic Surveillance via Detail Preserving Night-to-Day Transfer https://arxiv.org/abs/2105.05011 3、Vision-Guided Activ
研读笔记与论文整理分享
2. 学术研究与论文管理：文件描述提到的内容是“研一到目前为止所看论文整理以及阅读笔记”，这涉及到学术研究中对文献资料的收集、整理和笔记归纳。有效管理阅读的论文和笔记对研究工作至关重要，通常包括建立...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值