ScaleFace —— 尺度友好人脸检测

最新推荐文章于 2024-08-13 14:39:51 发布
最新推荐文章于 2024-08-13 14:39:51 发布
阅读量3.6k 收藏 5
点赞数 4
分类专栏： 人脸检测(目标检测) 文章标签： 深度学习 人脸检测 神经网络
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/shuzfan/article/details/77879642
版权
本文介绍了一种尺度友好的人脸检测方法，利用ResNet网络的不同阶段分支处理不同尺度的人脸，通过实验确定了人脸尺度范围并针对性训练，实现了在保持较高检测性能的同时，能有效处理不同大小的人脸。
摘要由CSDN通过智能技术生成

一篇关于如何处理多尺度人脸检测的文章。 从核心方法上来说和SSD没有本质的区别，只不过在实现细节上做了一些更为细致的工作。

文章链接： 《Face Detection through Scale-Friendly Deep Convolutional Networks》

1. 方法介绍

这里写图片描述

如上图，采用ResNet网络，输入单张图片。 在网络不同阶段引出分支，然后后接RPN和Fast R-CNN。 共有3个分支，每个分支只负责检测对应范围的人脸。

2. 要点介绍

（1）网络结构与检测目标尺度的关系

文章做了下面的对比实验：使用不同层级的特征检测指定尺度范围的人脸。

最低0.47元/天 解锁文章
shuzfan
关注
专栏目录
Scale-Aware Face Detection阅读笔记
m0_37600149的博客
10-20 1235
https://arxiv.org/pdf/1706.09876.pdf 论文中通过两步来实现多尺度的人脸检测 Face Scale EstimationSingle Scale Detection 首先，估计出图片中存在的人脸的尺度，并且计算出每个尺度的置信度，再选取置信度高的，在这些特定的尺度上对人脸进行检测。这样的方法不用在各个尺度下对人脸进行检测，因此在速度上会比较快。
多尺度人脸检测--Face Detection through Scale-Friendly Deep Convolutional Networks
AI小作坊 的博客
10-24 3553
Face Detection through Scale-Friendly Deep Convolutional Networks http://shuoyang1213.me/projects/ScaleFace/ScaleFace.html本文针对多尺度人脸检测问题，采用分而治之的思路来解决，提出不同尺度的人脸需要不同的网络结构来进行检测。然后我们将这些网络组合成一个网络，使用端对端的方式优化
人脸操作：从检测到识别的全景指南
白羊是小白
08-13 953
人脸操作技术从检测到识别，再到特征提取，涵盖了计算机视觉中多个重要方面。通过掌握这些技术，你可以在许多实际应用中实现人脸处理的功能，从而推动智能系统的应用和发展。希望本文能够帮助你更好地理解和应用人脸操作技术，为你在计算机视觉领域的探索提供有用的参考。
Face Detection through Scale-Friendly Deep Convolutional Networks
yananer的博客
06-18 100
基于尺度友好的深度卷积网络的人脸检测
人脸识别与目标检测
10-12
目标检测和人脸识别，复杂场景下均可检测小目标和复杂背景下的目标
CVPR 2017论文《Scale-Aware Face Detection》学习
u010175803的博客
05-05 428
这里写自定义目录标题0 Abstract1 Introduction2 Related works3 Scale-aware detection pipeline3.1 Scale Proposal Network (SPN)3.2 Scaling strategy generation3.3 Single-scale RPN4 Implementation details4.1 Global s...
基于分组采样的尺度不变人脸检测
2陈冬2方文2西安xjtustu.mx @ stu.xjtu.edu.cn{fawe，tinzhan，doch，fangwen}@wwwmicrosoft.com摘要基于深度学习的检测器倾向于在单个输入图像上检测多尺度人脸以提高效率。最近的工作，例如FPN和SSD，通常使用来自...
"MogFace：人脸检测的新方法
4093MogFace：深入了解人脸检测刘洋1王飞1邓建康2周志鹏1孙柏贵1李昊*11阿里巴巴集团2伦敦帝国理工学院摘要得益于通用目标检测器的开创...因此，标签分配、尺度级数据增强和减少虚警的实际解决方案对于改进人脸检测器是
金字塔盒：基于上下文的单镜头人脸检测
人脸检测已经研究了很多年，剩下的挑战之一是在不受控制的环境中检测小的，模糊的和部分遮挡的人脸本文提出了一种新的上下文辅助的单镜头人脸检测器，命名为金字塔框处理困难的人脸检测问题。鉴
文件中的20字中文标题：“人脸检测性能评估结果”
135681356913570135711357213573135741357510.90.80.70.60.50.40.30.20.100.20.40.60.81Recall110.90.80.70.60...FCN朱0.861SFD-0.859SSH-0.845FaceR-CNN-0.831HR-0.806MSCNN-0.802ScaleFace-0.772Faceness-WIDER-0.345
FFmpeg中一个线程获取视频流一个线程执行scale测试代码
网络资源是无限的
07-07 741
在https://blog.csdn.net/fengbingchun/article/details/94712986 中介绍过如果usb视频流编码类型为rawvideo则无需进行解码，可直接通过av_read_frame获取视频流然后再通过sws_scale进行像素格式转换，当在高分辨率情况下，有时达不到实时显示，会有卡顿，经分析，性能瓶颈在av_read_frame和sws_scale，由于...
多尺度检测
qq_31512099的博客
07-07 994
我们注意到当σσ尺度一定时，只能检测对应半径的斑点，那么检测的是多大半径的斑点呢，我们可以通过对规范化的二维拉普拉斯高斯算子求导：规范化的高斯拉普拉斯函数为：∇2norm=−12πσ2[1−x2+y2σ2]⋅exp(−x2+y22σ2)∇norm2=−12πσ2[1−x2+y2σ2]⋅exp(−x2+y22σ2)求∇2norm∇norm2的极点值等价于求取下式：∂(∇2norm)∂σ=0∂(∇no...
涨分利器！攻克目标检测难点秘籍三，多尺度检测
AI算法修炼营的博客
02-16 1235
点击上方“AI算法修炼营”，选择加星标或“置顶”标题以下，全是干货前面的话在前面的秘籍一：模型加速之轻量化网络和秘籍二：非极大抑制算法和回归损失优化之路中，我们主要关注了轻量化网络，非极...
多尺度目标检测 Multiscale Object Detection
吴建明wujianming_110117
06-30 5275
多尺度目标检测 Multiscale Object Detection 我们在输入图像的每个像素上生成多个锚框。这些定位框用于对输入图像的不同区域进行采样。但是，如果锚定框是以图像的每个像素为中心生成的，很快就会有太多的锚框供我们计算。例如，我们假设输入图像的高度和宽度分别为561和728像素。如果以每个像素为中心生成五个不同形状的锚框，则超过两百万个锚框(561×728×5)需要在图像上进行预测和标记。 减少锚箱数量并不困难。一种简单的方法是对输入图像中的一小部分像素进行均匀采样，并生成以采样像素为中心的
【23】多尺度检测及检测数据集
Clichong
09-24 960
文章目录1. 多尺度边界框检测2. 目标检测数据集 %matplotlib inline import numpy as np import pandas as pd import matplotlib.pyplot as plt import torchvision import torch import os 1. 多尺度边界框检测 # 测试图像 # imagepath = 'E:\学习\机器学习\数据集\VOC2012\VOCdevkit\VOC2012\JPEGImages\\2007_00142
FPN(Feature Pyramid Network)多尺度目标检测方案
热门推荐
沈春旭的博客
10-06 1万+
参考论文：Feature Pyramid Networks for Object Detection 会议水平：CVPR 2017 开源代码：https://github.com/unsky/FPN 1. 多尺度目标检测问题 CNN网络对于位置变化的适应性很强，但是对尺度变化的表现很差，所以检测问题基本都要考虑尺度怎么处理。那么首先来看一幅非常具有代表性的图，这张图涵盖了目前很多检测问题在...
SNIP:多尺度的目标检测
weixin_42615068的博客
09-05 4001
论文题目：An Analysis of Scale Invariance in Object Detection – SNIP 论文链接：https://arxiv.org/abs/1711.08189 代码链接：http://bit.ly/2yXVg4c Motivation:： 实现多尺度的检测一直是目标检测领域中的一个亟待解决的关键问题，而这就需要考虑其尺度不变性（scale inv...
多尺度（multi-scale）目标检测方法
qq_42178122的博客
07-07 2461
多尺度图像预测 将图片进行不同尺度的缩放，得到图像金字塔，如果对每层图片提取不同尺度的特征，得到特征图。最后对每个尺度的特征都进行单独的预测。 特点：不同的尺度的特征都可以包含很丰富的语义信息，精度高，但是速度慢。 2.金字塔特征预测 将输入的图片转变成feature map，在feature map层面上来进行尺度变换，采用不同的方法进行不同尺度特征的融合，以实现多尺度检测。 2.1 FPN 特征金字塔网络：将低层的特征和高层的特征融合起来，在不同的特征层进行预测。 2.2 SSD 从网络不同层抽取不.
将cad面域以某个点为基点放大倍数c#
最新发布
09-13
在C#中操作CAD软件（如AutoCAD）的面域对象进行放大，通常需要使用AutoCAD的.NET API。以下是使用AutoCAD的.NET API将CAD中面域对象以某个点为基点进行放大的基本步骤： 1. 首先，你需要创建一个AutoCAD的.NET API环境，这通常是通过加载AutoCAD类型库，并创建一个新的应用程序类来实现的。 2. 加载面域对象到内存中，这需要使用`Database`类中的方法。 3. 确定放大的基点，这将作为放大的参考点。 4. 使用`Matrix3d`类来创建一个放大的矩阵。这个矩阵需要将基点平移至原点，进行缩放，然后再将基点平移回原来的位置。 5. 将面域对象乘以这个矩阵，实现放大效果。 6. 最后，你需要将这个更改更新到CAD图形中，以使改动生效。 这是一个简化的代码示例，用于说明如何在C#中实现上述功能： ```csharp using Autodesk.AutoCAD.Runtime; using Autodesk.AutoCAD.ApplicationServices; using Autodesk.AutoCAD.DatabaseServices; using Autodesk.AutoCAD.Geometry; public class CadUtils { [CommandMethod("ScaleFace")] public void ScaleFaceAtPoint() { Document acDoc = Application.DocumentManager.MdiActiveDocument; Database acCurDb = acDoc.Database; using (Transaction acTrans = acCurDb.TransactionManager.StartTransaction()) { BlockTable acBlkTbl; BlockTableRecord acBlkTblRec; // 打开块表记录模型空间以写入 acBlkTbl = acTrans.GetObject(acCurDb.BlockTableId, OpenMode.ForRead) as BlockTable; acBlkTblRec = acTrans.GetObject(acBlkTbl[BlockTableRecord.ModelSpace], OpenMode.ForWrite) as BlockTableRecord; // 选择面域对象 PromptEntityOptions peo = new PromptEntityOptions("\n选择面域对象进行放大："); peo.SetRejectMessage("\n必须选择面域对象！"); peo.AddAllowedClass(typeof(Face), false); PromptEntityResult per = acDoc.Editor.GetEntity(peo); if (per.Status != PromptStatus.OK) return; // 获取选择的面域对象 Face acFace = acTrans.GetObject(per.ObjectId, OpenMode.ForRead) as Face; // 指定基点 Point3d basePoint = new Point3d(0, 0, 0); // 这里可以修改为实际的基点坐标 Matrix3d scaleMatrix = Matrix3d.Displacement(basePoint.GetAsVector()) * Matrix3d.Scaling(2.0) * Matrix3d.Displacement(-basePoint.GetAsVector()); // 假设放大倍数为2 // 创建一个新的面域，因为在.NET中对象不可修改 Face newAcFace = acFace.Clone() as Face; newAcFace.TransformBy(scaleMatrix); // 将新对象添加到块表记录和事务中 acBlkTblRec.AppendEntity(newAcFace); acTrans.AddNewlyCreatedDBObject(newAcFace, true); // 保存新对象 acTrans.Commit(); } } } ``` 在上面的代码中，我们定义了一个命令`ScaleFaceAtPoint`，它会提示用户选择一个面域对象，并且以模型空间中的原点作为基点，将选择的面域放大到指定的倍数。实际使用时，你可能需要根据实际情况调整放大倍数和基点坐标。
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