人脸检测论文：BlazeFace: Sub-millisecond Neural Face Detection on Mobile GPUs 及其Pytorch实现

最新推荐文章于 2024-08-12 09:05:19 发布
最新推荐文章于 2024-08-12 09:05:19 发布
阅读量6.8k 收藏 26
点赞数 7
CC 4.0 BY-SA版权
分类专栏： Paper Reading pytorch 文章标签： BlazeFace
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/shanglianlm/article/details/95809339

在这里插入图片描述
论文链接：https://arxiv.org/pdf/1907.05047v1.pdf
PyTorch：https://github.com/shanglianlm0525/BlazeFace

1 概述

BlazeFace算法是作者在MobileNet-SSD目标检测框架下，改进了网络结构、anchor机制、替换NMS后处理，使算法在人脸检测任务中保持高精度的同时，在移动GPU推理量身定制的轻量级网络。

2 模型架构与设计

2-1 增大感受野

在深度可分离卷积（depthwise separable convolution）中，depthwise convolution部分（s2ck2s^2ck^2s

了解本专栏 订阅专栏 解锁全文 超级会员免费看
深度学习论文: An Improved One millisecond Mobile Backbone及其PyTorch实现
mingo_敏
06-23 1367
深度学习论文: An Improved One millisecond Mobile Backbone及其PyTorch实现 An Improved One millisecond Mobile Backbone PDF: https://arxiv.org/pdf/2206.04040.pdf PyTorch代码: https://github.com/shanglianlm0525/CvPytorch PyTorch代码: https://github.com/shanglianlm0525/PyTor
BlazeFace: Sub-millisecond Neural Face Detection on Mobile GPUs
weixin_45834800的博客
08-22 1118
BlazeFace，这是一种轻量级且性能优异的面部检测器，专为移动GPU推理而设计。它在旗舰设备上运行速度可达200到1000+ FPS。这种超实时性能使其能够应用于任何增强现实管道中，作为任务特定模型的输入来准确识别面部感兴趣区域，例如2D/3D面部关键点或几何估计、面部特征或表情分类以及面部区域分割。
BlazeFace-PyTorch:在PyTorch中实现的BlazeFace人脸检测器模型
05-22
Python中的BlazeFace BlazeFace是Google Research提供的一种快速，轻巧的面部检测器。 ， 预训练模型可作为Google 框架的一部分使用。 除了边界框之外，BlazeFace还可以预测脸部界标的6个关键点（2x眼睛，2x耳朵，鼻子，嘴巴）。 因为BlazeFace是为在移动设备上使用而设计的，所以预训练的模型为TFLite格式。 但是，我想从PyTorch使用它，所以我进行了转换。 注意： MediaPipe模型与BlazeFace论文中描述的模型略有不同。 它使用具有3x3内核而不是5x5的深度卷积。 它仅使用“单个” BlazeBlock，而不使用“双重” BlazeBlock。 BlazePaper论文提到该模型有两个版本，一个用于前置摄像头，一个用于后置摄像头。 此仓库仅包含前置摄像头型号，因为这是我能够为其找到经过官方培训的版本的唯一
python 的blaze库_在PyTorch中实现的BlazeFace人脸检测器模型
weixin_39709262的博客
12-05 947
BlazeFace in PythonBlazeFace is a fast, light-weight face detector from Google Research. Read more, Paper on arXivA pretrained model is available as part of Google's MediaPipe framework. Besides a bou...
【paper】BlazeFace: Sub-millisecond Neural Face Detection on Mobile GPUs
luckynote
07-26 1037
概要 文章名称：BlazeFace: Sub-millisecond Neural Face Detection on Mobile GPUs 文章来源：Google 文章作者：Valentin Bazarevsky Yury Kartynnik Andrey Vakunov 文章下载：https://arxiv.org/pdf/1907.05047.pdf 代码实现：https://github...
论文阅读：BlazeFace : Sub-millisecond Neural Face Detection on Mobile GPUs
白色涟漪裙
10-05 615
BlazeFace文章解读
【论文翻译】EfficientAD: Accurate Visual Anomaly Detection at Millisecond-Level Latencies
yue的博客
03-02 3063
图像异常检测是一个重要的任务，尤其是在实时计算机视觉应用中。在这项工作中，我们聚焦于计算效率，并提出一个轻量化的特征提取器，它可以在现代GPU上在不到一毫秒的时间内处理图像。然后，我们使用学生-教师的方法来检测异常特征。我们训练一个学生网络来预测正常（即无异常）训练图像的提取特征。通过学生网络未能预测其特征，从而在测试时检测到异常。我们提出了一种训练损失，它阻碍学生在正常图像之外模仿教师的特征提取器。它使我们能够大幅降低学生-教师模型的计算成本，同时改进异常特征的检测。
论文与代码分析|| EfficientAD: Accurate Visual Anomaly Detection at Millisecond-Level Latencies
weixin_42355902的博客
07-16 2282
在标准的S-T框架中，教师在ImageNet上进行预训练，学生没有接受关于该预训练数据集的培训，而只接受了关于的正常图像训练。因此，引入了训练损失，与Online Hard Example Mining类似，其将学生的loss限制在图像中最相关的部分，提出了hard feature loss，它只使用损失最大的输出元素进行反向传播。此外，这种轻量级的师生方法对缺乏以前方法所使用的技术来提高异常检测性能，如合多个教师和学生，使用来自层的金字塔的特征，以及使用学生和教师网络之间的架构不对称。
[人脸检测]BlazeFace:亚毫秒级的人脸检测器
不忘初心~
04-07 5694
本文我们给大家介绍的BlazeFace是一个非常轻量级的人脸检测器，其在许多嵌入式设备中都可以达到超实时的效率，在一些性能较好的手机gpu中甚至可达亚毫秒级（文中在某果手机中进行了该实验）
pytorch实现人脸识别包括人脸检测（opencv、dlib、CNN三种方法融合）人脸对齐和vgg-face人脸特征提取
04-02
博客地址：https://blog.csdn.net/wen_fei/article/details/80261047 人脸识别源代码，包括使用opencv、dlib和cnn实现的人脸检测、opencv实现的人脸对齐以及vgg-face的人脸特征提取等，最后余弦函数计算相似度，并提供flask部署代码，可以放在服务器上远程调用
Python-pytorch实现的人脸检测和人脸识别
08-09
Deep learning face detection and recognition, implemented by pytorch. (pytorch实现的人脸检测和人脸识别)
强烈推荐：PyTorch_BlazeFace —— 高性能人脸检测库
gitblog_00704的博客
08-12 601
强烈推荐：PyTorch_BlazeFace —— 高性能人脸检测库 在计算机视觉领域，人脸检测始终是一个热门的研究方向。今天，我要向大家推荐一个基于PyTorch的高效、轻量级的人脸检测框架——PyTorch_BlazeFace。 项目介绍 PyTorch_BlazeFace是谷歌原生模型BlazeFace的一个非官方PyTorch实现。该模型以其超快速度和优异精度，在移动端GPU上实现了毫秒级...
dlib；blazeface人脸检测
LoveKKarlie_的博客
11-22 3100
dlib人脸检测 import os import dlib import numpy as np import cv2 def mkdir_for_save_images(img_path_save): if not os.path.isdir(img_path_save): os.mkdir(img_path_save) def clear_images(img_path_save): img_list = os.listdir(img_path_save)
BlazeFace：一种非典型专用检测器
yiran103的专栏
08-25 6404
MediaPipe 是谷歌在 CVPR2019会议上开源的一个感知和增强现实的框架。该框架基于图，可在移动设备、工作站和服务器上跨平台运行，并支持移动 GPU 加速。 BlazeFace 为其中一个重要的组件，因为检测是绝大多数计算机视觉应用的入口。过往检测算法总是从提升性能出发，即便关注轻量级检测器的文章仍不免要在通用数据集上刷一下榜。而谷歌这篇紧贴实际需求，考虑场景限制条件，打造出一款小而专...
论文精读 && MediaPipe BlazeFace
Flying Bulldog 的博客
11-14 1116
我们介绍BlazeFace，一款为移动GPU推理量身定制的轻量级且性能良好的人脸检测器。它在旗舰设备上以200–1000 FPS的速度运行。这种超实时性能使其能够应用于任何需要准确的感兴趣面部区域作为特定任务模型输入的增强现实管道，如2D/3D面部关键点或几何估计、面部特征或表情分类以及面部区域分割。一个受 MobileNet V1/V2 启发但不同于MobileNet的轻量级特征提取网络；一个从单次多盒检测器（SSD）修改而来的GPU友好锚定方案；以及一个改进的平局分辨率策略，以替代非最大值抑制。
PyTorch_BlazeFace：基于PyTorch的高效人脸检测实战指南
gitblog_00009的博客
08-10 512
PyTorch_BlazeFace：基于PyTorch的高效人脸检测实战指南 项目介绍 PyTorch_BlazeFace 是一个基于 PyTorch 实现的轻量级人脸检测框架，源于谷歌研究的 BlazeFace 项目。此项目专门针对速度和效率进行了优化，使之成为移动端应用的理想选择。BlazeFace 不仅能快速检测人脸位置，还能预测脸部的六个关键点（包括两只眼睛、两只耳朵、鼻子和嘴巴的位置），...
Rockchip RV1126实现人脸检测——BlazeFace
VnReact的博客
09-27 397
在本篇文章中，我们将介绍如何在Rockchip RV1126上使用BlazeFace算法实现人脸检测，并提供相应的源代码。接下来，我们加载了预训练的BlazeFace模型权重，并对输入图像进行预处理。最后，我们在原始图像上绘制检测到的人脸框，并显示结果图像。BlazeFace的核心思想是利用深度学习模型对图像进行快速的多尺度检测，以捕捉人脸的不同尺度和姿态。通过BlazeFace算法的高效和准确性，您可以在嵌入式设备上实时地检测和跟踪人脸，为各种应用提供强大的基础支持。然后，我们定义了一个。
BlazeFace 理解
weixin_41967328的博客
03-06 968
Blazeface模型是Google推出的一款专为移动GPU推理量身定制的轻量级且性能卓越的人脸检测器，BlazeFace 在旗舰移动设备上以200-1000 + FPS的速度运行。 这种超实时性能使其能够应用于任何对性能要求极高的增强现实应用中。
EfficientAD: Accurate Visual Anomaly Detection at Millisecond-Level Latencies
最新发布
04-01
### EfficientAD 方法概述 EfficientAD 是一种用于高效视觉异常检测的技术，能够在毫秒级延迟下完成高精度的异常识别与定位[^1]。该方法的核心在于结合轻量化特征提取器和学生-教师框架，显著降低了计算复杂度的同时保持了较高的准确性。 #### 轻量化特征提取器 为了满足实时性需求，EfficientAD 提出了一个高效的特征提取器，可在现代 GPU 上以低于一毫秒的时间处理单张图像[^3]。这种设计使得系统具备极高的吞吐能力，达到每秒 600 张图像的处理速度[^2]。 #### 学生-教师框架 EfficientAD 利用了学生-教师机制来检测异常特征。具体而言，训练阶段中，学生网络被教导去预测由教师网络从正常（无异常）训练样本中提取的特征向量。当输入测试样本时，如果学生网络无法准确预测对应的特征，则表明可能存在异常。 此外，为了避免学生网络过度拟合并模仿教师的行为模式，EfficientAD 设计了一种特殊的训练损失函数。这一损失函数限制了学生在网络边界外复制教师的能力，从而有效提升了模型对于异常情况的敏感程度。 #### 复杂逻辑异常检测 除了简单的像素级别偏差之外，某些类型的异常可能涉及到更复杂的场景理解问题——例如物体排列顺序错误等全局上下文相关的情况。针对这类难题，EfficientAD 集成了一个可以全面解析整幅画面内容的自编码器组件。借助此模块的帮助，即使面对那些仅靠局部信息难以察觉的问题也能够得到妥善解决。 ```python import torch.nn as nn class StudentNetwork(nn.Module): def __init__(self, input_size, output_size): super(StudentNetwork, self).__init__() self.fc = nn.Linear(input_size, output_size) def forward(self, x): return self.fc(x) teacher_output = ... # Normal image features extracted by the teacher network. student_network = StudentNetwork(input_size=..., output_size=...) predicted_features = student_network(teacher_output) loss_function = CustomLossFunction() # Defined to prevent overfitting and mimicry beyond normal data range. training_loss = loss_function(predicted_features, teacher_output) ``` ### 性能表现 实验结果显示，在多个工业级异常检测数据集上的评测证明了 EfficientAD 的优越性能。不仅实现了亚两毫秒级别的响应时间以及高达六百帧/秒以上的实际运行速率，而且维持着较低误报率水平，因此非常适合部署于资源受限环境下的大规模生产线上使用案例之中。
评论 5
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

打赏作者

mingo_敏

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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