本文详细介绍了RetinaFace人脸检测模型的实现原理，包括backbone网络、FPN、SSH模块以及多任务学习的分类、定位和landmark损失。通过Resnet50作为backbone，利用FPN进行特征融合，并通过SSH模块提取不同尺度特征。在训练过程中，使用了SmoothL1Loss和交叉熵损失函数。
和通用物体检测不同，人脸检测smaller ratio variations (from 1:1 to 1:1.5)
much larger scale variations (from several pixels to thousand pixels)
这边主要是引入了额外的标注，引入了一个多任务学习：
前面两个是分类以及定位损失，后面的是landmark损失。
可以看到结果如下
来看一下代码，主要参考的是这个老哥的代码，没有参考mxnet的biubug6/Pytorch_Retinafacegithub.com
先确定backbone，
backbone = models.resnet50(pretrained = cfg['pretrain'])
然后确定body，以及整体的网络
self.body = _utils.IntermediateLayerGetter(backbone, cfg['return_layers'])
#这玩意是能提中间层
self.fpn = FPN(in_channels_list, out_channels)
self.ssh1 = SSH(out_channels, out_channels)
self.ssh2 = SSH(out_channels, out_channels)
self.ssh3 = SSH(out_chan
最低0.47元/天 解锁文章
419
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
