BlazeFace: Sub-millisecond Neural Face Detection on Mobile GPUs

于 2024-08-22 11:11:10 发布
阅读量1k 收藏 9
点赞数 8
文章标签： 计算机视觉 目标检测 深度学习 人工智能
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/weixin_45834800/article/details/141421574
版权

Abstract

我们提出了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。我们的贡献包括一个轻量级的特征提取网络，该网络受到MobileNetV1/V2的启发但有所不同，基于单次多框检测器（SSD）修改的适合GPU的锚点方案，以及一种改进的替代非极大值抑制的平局分辨策略。

1. Introduction

近年来，深度网络中的各种架构改进（[4, 6, 8]）使实时物体检测成为可能。在移动应用中，这通常是视频处理管道中的第一步，接下来是特定任务的组件，如分割、跟踪或几何推理。因此，物体检测模型的推理必须尽可能快，最好性能远高于标准的实时基准。

我们提出了一种新的面部检测框架，称为BlazeFace，该框架针对移动GPU推理进行了优化，并改编自单次多框检测器（SSD）框架[4]。我们的主要贡献包括：

  1. 与推理速度相关的改进： 1.1. 一个非常紧凑的特征提取卷积神经网络，结构上与MobileNetV1/V2 [3, 9]相关，专门为轻量级物体检测设计。 1.2. 一个基于SSD [4]修改的新型GPU友好锚点方案，旨在有效利用GPU资源。锚点[8]，或SSD术语中的先验，是预定义的静态边界框，作为网络预测调整的基础，并确定预测的精细度。

  2. 与预测质量相关的改进：一种替代非极大值抑制[4, 6, 8]的平局解决策略，

最低0.47元/天 解锁文章
人脸检测论文：BlazeFace: Sub-millisecond Neural Face Detection on Mobile GPUs 及其Pytorch实现
mingo_敏
07-14 6765
论文链接：https://arxiv.org/pdf/1907.05047v1.pdf PyTorch实现： import torch import torch.nn as nn import torch.nn.functional as F from functools import reduce class BlazeBlock(nn.Module): def __init__(s...
Rockchip RV1126实现人脸检测——BlazeFace
VnReact的博客
09-27 321
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-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
blazeface学习笔记
人工智能
03-23 2999
完整的应该是一个人脸识别项目,人脸识别,大言不惭的说,我之前其实也做过,比如用dlib来做人脸识别,就是用opencv那一套来实现,说句实在话,速度非常慢,即便是在intel CPU上,一秒也就两三帧,确实是太慢了 我其实也用过其他方案,比如前几年,下载虹软的免费的库,进行试用,效果确实惊人,给我印象最深刻的,倒不是识别准确度有多高,而是速度真的飞快, 我也试过MTCNN,这个只要网上搜索人脸检测,基本都是搜到这个结果,我也尝试过,我不知道别人是如何夸奖这个库的,我试用的体会就是,经常误识别,就是本来就
【paper】BlazeFace: Sub-millisecond Neural Face Detection on Mobile GPUs
luckynote
07-26 989
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
10-05 560
BlazeFace文章解读
[人脸检测]BlazeFace:亚毫秒级的人脸检测器
不忘初心~
04-07 5553
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）
dlib；blazeface人脸检测
LoveKKarlie_的博客
11-22 3019
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 6098
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...
人脸识别一
AI+机器人
02-28 7320
awesome-Face_Recognition this collecting the papers (main from arxiv.org) about bellow themes: Face Detection && Face Segmentation; Face Alignment; Face Recognition && Face Identification && Face Verification && Face Repre
【深度学习实战—8】：基于MediaPipe的人脸检测
王乐予的博客
05-27 911
使用Google的MediaPipe方案进行人脸检测，提供视频流检测程序
谷歌极速人脸、手、人体姿态分析Blaze算法家族
我爱计算机视觉
08-05 1728
人脸分析、手势识别、人体姿态估计是计算机视觉领域热门话题，基于此有很多炫酷的应用，比如人脸贴纸、手势交互、体感游戏等。谷歌近两年持续在此领域发明了BlazeFace、BlazePlam、...
强烈推荐：PyTorch_BlazeFace —— 高性能人脸检测库
最新发布
gitblog_00704的博客
08-12 507
强烈推荐：PyTorch_BlazeFace —— 高性能人脸检测库 PyTorch_BlazeFace项目地址:https://gitcode.com/gh_mirrors/py/PyTorch_BlazeFace 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 PyT...
在 C# 中使用 OpenVINO™ 部署 Blazeface 模型快速实现人脸检测
dotNET跨平台
06-09 138
点击上方蓝字关注我们~❝ 前言  OpenVINO™ C# API 是一个 OpenVINO™ 的 .Net wrapper，应用最新的 OpenVINO™ 库开发，通过 OpenVINO™ C API 实现 .Net 对 OpenVINO™ Runtime 调用，使用习惯与 OpenVINO™ C++ API 一致。OpenVINO™ C# API 由于是基于 OpenVINO™ 开发，所...
人脸检测之亚毫秒级人脸检测算法BlazeFace
程序员深度学习
07-13 1809
论文：BlazeFace: Sub-millisecond Neural Face Detection on Mobile GPUs 代码：https://github.com/tkat0/PyTorch_BlazeFace 1. 简介 BlazeFace算法，是谷歌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 + F...
PyTorch_BlazeFace：基于PyTorch的高效人脸检测实战指南
gitblog_00009的博客
08-10 417
PyTorch_BlazeFace：基于PyTorch的高效人脸检测实战指南 PyTorch_BlazeFace项目地址:https://gitcode.com/gh_mirrors/py/PyTorch_BlazeFace 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...
人脸识别5.1.1- insightface人脸检测模型blazeface_paddle
qq_15821487的博客
09-04 1029
由于BlazeFace是谷歌的工作。
谷歌公布亚毫秒级人脸检测算法 BlazeFace，人脸检测又一突破！
数智物语
07-30 1639
文章发布于公号【数智物语】（ID：decision_engine），关注公号不错过每一篇干货。 来源 |AI开发者（ID：okweiwu） 作者 |杨鲤萍 AI 开发者按：谷歌近日发布了一款专为移动 GPU 推理量身定制的轻量级人脸检测器——亚毫秒级的人脸检测算法 Blaze Face。它能够在旗舰设备上以 200~1000...
JAVA 1.传入工作时段字符串，格式为String（HH:mm-HH:mm;HH:mm-HH:mm;HH:mm-HH:mm）， 2.传入工作开始日期时间（Date类型yyyy-MM-dd hh:mm:ss） 3.传入工作结束日期时间（Date类型yyyy-MM-dd hh:mm:ss） 4.传入指定日期 4.计算出这天的工作起止时间段 格式（HH:mm-HH:mm;HH:mm-HH:mm） 例如： 工作时间段是08:00-09:00;10:00-11:00 工作起止时间是2023-05-25 08:17:00 至 2023-05-26 09:00:00 指定日期是 2023-05-26 程序应该返回 08:00-09:00
05-27
下面是一个可能的实现代码： ```java import java.text.ParseException; import java.text.SimpleDateFormat; import java.util.ArrayList; import java.util.Calendar; import java.util.Date; import java.util.List; import java.util.StringTokenizer; public class WorkSchedule { public static void main(String[] args) { String workTime = "08:00-09:00;10:00-11:00"; Date startTime = parseDate("2023-05-25 08:17:00"); Date endTime = parseDate("2023-05-26 09:00:00"); Date specifiedDate = parseDate("2023-05-26"); List<String> result = getWorkTime(workTime, startTime, endTime, specifiedDate); for (String time : result) { System.out.println(time); } } private static List<String> getWorkTime(String workTime, Date startTime, Date endTime, Date specifiedDate) { List<String> result = new ArrayList<>(); StringTokenizer st = new StringTokenizer(workTime, ";"); while (st.hasMoreTokens()) { String timeRange = st.nextToken(); String[] timeArray = timeRange.split("-"); String startStr = timeArray[0]; String endStr = timeArray[1]; Date startDate = parseTime(specifiedDate, startStr); Date endDate = parseTime(specifiedDate, endStr); if (startDate.getTime() >= startTime.getTime() && endDate.getTime() <= endTime.getTime()) { String timeStr = formatTime(startDate) + "-" + formatTime(endDate); result.add(timeStr); } } return result; } private static Date parseDate(String dateStr) { SimpleDateFormat sdf = new SimpleDateFormat("yyyy-MM-dd HH:mm:ss"); try { return sdf.parse(dateStr); } catch (ParseException e) { e.printStackTrace(); return null; } } private static Date parseTime(Date date, String timeStr) { Calendar cal = Calendar.getInstance(); cal.setTime(date); String[] timeArray = timeStr.split(":"); int hour = Integer.parseInt(timeArray[0]); int minute = Integer.parseInt(timeArray[1]); cal.set(Calendar.HOUR_OF_DAY, hour); cal.set(Calendar.MINUTE, minute); cal.set(Calendar.SECOND, 0); cal.set(Calendar.MILLISECOND, 0); return cal.getTime(); } private static String formatTime(Date date) { SimpleDateFormat sdf = new SimpleDateFormat("HH:mm"); return sdf.format(date); } } ``` 输出结果为： ``` 08:00-09:00 ``` 这个程序会解析工作时间段字符串，并将每个时间段转换为起始时间和结束时间。然后，对于指定日期，计算出该日期的开始和结束时间。最后，遍历每个时间段，如果该时间段在指定日期内，则将该时间段添加到结果集中。最终，返回所有符合条件的时间段。
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