Group sample——比较有意思的人脸检测算法

最新推荐文章于 2023-09-24 12:56:19 发布
最新推荐文章于 2023-09-24 12:56:19 发布
阅读量1.7k 收藏 4
点赞数 3
分类专栏： 计算机视觉 深度学习 人脸检测/识别
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/u014380165/article/details/101418816
版权
本文深入探讨了一篇发表在CVPR2019的论文，研究了不同尺寸样本数量分布对人脸检测效果的影响。通过Group Sampling操作，论文提出平衡不同尺寸样本数量，从而提升检测模型性能。实验表明，这种方法对小尺寸目标检测效果尤为显著，且与FPN等方法有本质区别。
摘要由CSDN通过智能技术生成

论文：Group Sampling for Scale Invariant Face Detection
论文链接：http://openaccess.thecvf.com/content_CVPR_2019/papers/Ming_Group_Sampling_for_Scale_Invariant_Face_Detection_CVPR_2019_paper.pdf

这篇是发表在CVPR2019的关于人脸检测的文章，个人觉得是个很棒的工作，而且应该可以扩展到通用的目标检测算法。这篇文章的出发点是什么呢？我们知道不管是人脸检测还是通用目标检测，都会遇到输入图像中目标尺寸差异较大的情况，这种情况对检测效果最直观的影响就是小目标尺寸检测效果不好，因此CVPR2017提出的FPN算法基于融合后的多个特征层进行预测，很好地改善了这个问题。

但是FPN为什么有效呢？这篇文章通过各种对比实验发现：将FPN修改为基于单个特征层进行预测同样能够取得接近多个特征层的实验结果，而修改前后不同尺寸的样本数量分布非常类似，在此基础上作者继续探究不同尺寸的样本数量分布对检测效果效果的影响，最终得到一个结论：不同尺寸的样本数量不均衡是导致检测模型效果不好的原因，这个样本既包括正样本，也包括负样本，因此最后通过设计group sample操作使得不同尺寸的样本数量均衡，从而提升效果。

可以看出这篇论文其实是在揭示不同尺寸的样本分布情况对检测效果的影响，角度比较新颖。

这篇文章基本上是围绕Figure1、Table1和Figure2来讲，读者可以对照着看。
在Figure1中作者列了5个网络，这5个网络是后续实验对比和论文创新点介绍的核心，注意看区别。（a）和（b）

最低0.47元/天 解锁文章
AI之路
关注
专栏目录
目标检测YOLO实战应用案例100讲-面向智能路侧边缘计算的车辆行人视觉目标检测算法研究
qq_36130719的博客
06-22 1156
我国每年大约发生20多万起交通事故，直接造成的经济损失约15亿元。为应对日益凸显的交通问题，合作式智能交通系统（CooperativeIntelligent Transportation Systems，C-ITS）[4]的概念被提出。作为C-ITS最新的发展方向，车路协同系统（Cooperative Vehicle Infrastructure Systems，CVIS）[5]采用先进的信息与通信技术，全方位实施车车、车路实时信息交互，以形成安全、高效和环保的道路交通环境。
图像处理算法实战应用案例精讲-【目标检测】YOLO(附python代码实现)
qq_36130719的博客
12-08 2386
物体检测——顾名思义就是通过深度学习算法检测图像或视频中的物体。目标检测的目的是识别和定位场景中所有已知的目标。有了这种识别和定位，目标检测可以用来计数场景中的目标，确定和跟踪它们的精确位置，同时精确地标记它们。目标检测通常与图像识别相混淆，所以在我们继续之前，澄清它们之间的区别是重要的。图像识别为图像分配一个标签。狗的图片会被贴上“狗”的标签。两只狗的照片仍然会被贴上“狗”的标签。另一方面，对象检测在每只狗周围画一个盒子，并给这个盒子贴上“狗”的标签。模型预测每个对象在哪里以及应该应用什么标签。通过这种方
经典数据结构算法sample
10-08
经典数据结构算法sample 经典数据结构算法sample
Group Sample：一个简单有效的目标检测升点Trick
I good vegetable a!
07-23 602
1. 前言 今天为大家介绍一个CVPR 2019提出的一个有趣的用于人脸检测的算法，这个算法也可以推广到通用目标检测中，它和OHEM，Focal Loss有异曲同工之妙。论文地址为：http://openaccess.thecvf.com/content_CVPR_2019/papers/Ming_Group_Sampling_for_Scale_Invariant_Face_Detection_CVPR_2019_paper.pdf。 2. 出发点 这篇文章的出发点是，我们在做人脸检测或者通用目标检测时，
【小目标检测】Group Sampling for Scale Invariant Face Detection
猫猫与橙子的博客
10-12 1536
了解一些基础内容： FPN（Feature Pyramid network）？ 参考：https://blog.csdn.net/weixin_40683960/article/details/79055537 RPN（Region Proposal Network）？ 论文解析参考：https://blog.csdn.net/u014380165/article/details/10141...
尺度不变人脸检测：Group Sampling
我爱计算机视觉
09-10 544
点击我爱计算机视觉标星，更快获取CVML新技术CV君：前几天发布了目标检测中的不平衡问题综述，引起了不少朋友的关注。在检测领域由于数据和算法都较复杂，不平衡问题很多。本文研究的是针对人脸...
文章记录Group Sampling+freeanchor
葫芦与瓢的博客
09-17 449
1 groupsampling for scale invariant face detection 问题，训练样本中存在两种不均衡： 1 正负样本不均衡，负样本个数远大于正样本个数。 2 不同尺度上训练样本不均衡：比如retinaface在三个尺度上进行人脸检测，每隔尺度上的训练样本个数不均衡（由于基于iou的anchor匹配策略，小的物体更不容易找到合适的anchor）： 不同的方式对应的a...
人脸表情分类算法设计
欢迎大家来到新嬉皮士的世界
11-28 3774
文章目录前言一、KDEF数据集介绍二、使用步骤1.引入库2.读入数据总结 前言 表情分类是深度学习中一个重要的应用领域。在本文中介绍了一个基于KDEF数据集的表情分类算法设计流程 github 提示：以下是本篇文章正文内容，下面案例可供参考 一、KDEF数据集介绍 数据集链接link。 该数据集发布于1998年。在最开始的时候被用于心理和医学的研究。志愿者在数据集的创建过程中，特意使用了比较柔和，均匀的光照，且穿着统一的T恤颜色，且在测试集中没有胡须，耳环和眼镜，且没有明显的化妆。每个志愿者有7种不同
目标检测算法横向比较，包括backbone、特征融合、loss、proposal/anchor/heatmap、NMS、正负样本设置等
热门推荐
ygfrancois的博客
05-27 1万+
目标检测算法发展移步：目标检测算法 本文从算法改进的方向，进行横向比较，包括backbone，特征融合、loss、proposal/anchor/heatmap、NMS、正负样本设置等 Reference：Object Detection in 20 Years: A Survey Table of Contents Backbone改进 DenseNet ResNeXt（gro...
【论文笔记】：Group Sampling for Scale Invariant Face Detection
Activewaste
05-23 409
&Title Group Sampling for Scale Invariant Face Detection CVPR2019 &Summary 之前的网络结构FPN和SSD，通常使用多个layer的不同空间精度预测不同规模的目标，简言之，高精度图预测小目标；作者发现没有必要使用多个layer来预测不同规模的人脸，关键是要均衡不同规模的正样例和负样例的数量，作者就提出了分组采样方法（a group sampling method），该方法基于不同规模（scale）将所有anchor
FaceLogin-Sample-Android.7z
03-25
百度人脸识别，横屏实现
groupfacebook
05-18
论文Spring社交-Nguyen Anh Minh＆Nguyen Xuan Hiep 由Minh＆Hiep开发的论题Facebook Social with Spring Framework。 主题：支持在FACEBOOK的多个团队中工作的建筑应用程序 讲师：理学硕士。 PHAM VAN SIM ANH MSc。 NGUYEN THANH PHUC会员名称：NGUYEN XUAN HIEP _51103037 NGUYEN ANH MINH _51103081 我特此声明，这是本论文的成果，并且是在理学硕士的指导下进行的。 Pham Van Sim Anh和理学硕士。 阮清福。 该主题的研究内容和结果是真实的，并且以前没有以任何形式发表过。 表格中用于分析，评论和评估的数据由作者本人从不同来源收集，在参考部分中有明确说明。 此外，本文还使用了许多评论，评估以及其他作者，其他机构和组
Group Sampling for Scale Invariant Face Detection阅读笔记
goodxin_ie的博客
11-24 525
Movitation 作者发现在训练过程中存在两个问题 正负样本不均衡（OHEM,focal Loss等都是解决这个问题） 样本的尺度不均衡问题，在基于iou的匹配策略下，小尺度的样本更难匹配到合适的anchor。 插一句，个人感觉小目标在这种基于anchor的检测方法中性能较差的本质原因在于有效训练的样本过少，最终计算loss时正样本选择的是和anchor匹配上的样本，大目标很容...
AliasSample采样算法
liuhe2296044的博客
10-01 404
def create_alias_table(df): s = [row['weight'] for index, row in df.iterrows()] prob_values = np.array(s) # prob_values存放的是各个类型发生的累计概率*类型种数 prob_values = prob_values / sum(prob_values) # 归一化 skus = [row['skuId'] for index, row in df.iter.
Sample K算法
学习AI算法，请关注微信公众号：机器学习算法全栈工程师……
05-01 1488
最近去国内某牛叉互联网公司面试，出了一道算法题，看似简单，但是真正的答案十分巧妙。故此回忆并将原题以及解题思路记录下来，供大家学习： 随机的选取容量为N的数组中的k个元素，要求是不能重复选取，并且不能删除数组中的元素，只能够进行交换。 1. 解题思路                   今天就写到这，谁有好的解题方法请提出了共同学习。我这里明天继续……2. 贴上源码（Java）
一起读论文--GroupFace 基于潜在组信息的人脸识别表示
陈泊舟的博客
08-02 3188
http://burningcloud.cn/article/69/index.html
Pointnet++代码详解（五）：sample_and_group函数和samle_and_group_all函数
weixin_42707080的博客
04-04 2927
Sampling + Grouping主要用于将整个点云分散成局部的group，对每一个group都可以用PointNet单独的提取局部的全局特征。Sampling + Grouping需要用到前面分析定义的那些函数，分成了sample_and_group和sample_and_group_all两个函数，其区别在于sample_and_group_all直接将所有点作为一个group。 samp...
使用OpenCV实现人脸自动祛痘效果
最新发布
UaCode的博客
09-24 151
我们将介绍如何使用OpenCV来检测和定位人脸，并利用图像处理技术来消除人脸上的痘痘。），该检测器可以用来检测图像中的人脸。然后，我们加载了一个输入图像，并将其转换为灰度图像，这是因为人脸检测器通常在灰度图像上工作。接下来，我们使用人脸检测器来检测图像中的人脸，并使用一个循环来处理每个检测到的人脸。首先，我们需要安装OpenCV库，并确保我们有一个可以使用的示例图像。接下来，我们将介绍如何使用OpenCV来实现人脸的自动祛痘效果。最后，我们将处理后的人脸区域放回原图像中，并显示结果图像。
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