唉,每天都在看论文,年轻的小伙子们是不是都和我一样,我天天看的头发已经快要秃完了,这辈子注定不能拥有一颗完美的头,希望你们也加油,加油像我一样,大家一起单身多好,是不是?
废话不多说,上重点
首先附上论文链接:https://arxiv.org/pdf/1902.01559v1.pdf
对于现有的目标检测来说,主要分为one stage 和two stage两种,人脸检测也是同样的道理,一般two stage会具有更高的精度,这种方法更倾向于让网络线生成大量的目标候选区域和特征(比如Faster-RCNN),但是单阶段算法往往会具有更快的速度,在实际工程中这是非常重要的。这篇文章的作者就是希望能够改进单阶段人脸检测算法,使其具有速度和精度的优势。
单阶段方法从一个基本的的网络中来提取卷积层的若干深度特征图,每个深度特征图与一组预先定义好的锚点相关联。然后在这些特征图上面执行卷积操作,以便于直接执行分类和回归任务。
受SSD,SFD和SSH的启发,我们构建了一个简单的单阶段模型,以ResNet-101主干作为人脸检测的基线,在调查了基线模型后,我们将高误报率归因于以下原因:
1.缺少上下文信息。首先由于分辨率低,小面孔似乎缺少决定性的面部特征。此外,在较浅的锚相关层中,小面对应的特征图的上下文信息比在深层的更少。因此小规模的人脸很难检测,所以大的接受域可以增加检测小面孔的上下文信息。
2.非常大的接受域。过大的接受域可能会为检测提供冗余信息,从而增加假阳性率
3.用于检测中的分类和回归任务的共享特征图。
4.每个地面真值框和特征图中的每个单元格的密集锚点。
所有的这些因素都降低了单级模型中ResNet骨干的容量。在此我们提出来几个简单有效的策略来降低单阶段模型的假阳率,该模型是基于ResNet-101人脸检测
改进策略:
Detection 模块分类和回归任务分离:
接下来就是损失函数了:
日本东北大学重新访问单阶段人脸检测(更准确单阶段人脸检测网络)
最新推荐文章于 2023-06-22 15:59:12 发布