论文《From Facial Parts Responses to Face Detection: A Deep Learning Approach》笔记
2016-02-05 11:10
411 查看
论文:From
Facial Parts Responses to Face Detection A Deep Learning Approach.pdf
实现:暂无
这篇论文发表于ICCV2015,很有借鉴意义,论文提出了一个新的概念deep convolutional network (DCN) ,在FDDB数据集上达到了目前世界领先水准,这篇论文可以与之前《Joint Cascade Face Detection and Alignment》结合来看,其实是同一种思想在不同方向上的应用。
论文提出的DCN主要有三点新优势:
1、对遮挡有较强的鲁棒性。
2、可以检测到多角度倾斜人脸。
3、可以从一整张图片中检测出大小不一的人脸。
主要得益于一点,利用人脸上关键点的位置信息判断是否人脸(是不是和之前的JDA有些像啊),总结一下就是先用5个CNN检测全图,5个CNN分别是用于检测头发、眼睛、鼻子、嘴巴、脖子,之后合并五个的结果,利用这些位置信息判决人脸。
Faceless-Net工作流包括三个阶段,生成人脸局部信息特征图,根据打分排序候选框,完善候选框。整个流程如图a所示。
在第一阶段,人脸被作为输入放进5个CNN网络,5个输出包含各个器官的位置信息,被整合为一个hf送入下一阶段。
在第二阶段,匹配这些器官位置,对其打分排序。
在第三阶段,一次检测,无需滑窗。
下面分别详述每个阶段:
网络结构如下图所示:
研究指出叠加多个卷积层可以获得目标位置。
下图展示了各个网络区分粒度的效果:
从图上结果显示,当粒度从物体-非物体,人脸-非人脸,亚洲人脸-欧洲人脸等,升至直发-卷发、微笑-厚嘴唇等这样的器官粒度时,对遮挡人脸的鲁棒性最强,5个网络的分类可以如下表一样,为了获得更好的区分效果,每个网络模型都是从ImageNet训练好的模型微调而来。
本节讲述如何根据各个器官的位置信息对其打分。这部分有点难,先略过。
经过上面的步骤处理,生成的候选框已经有较高的召回率,通过训练一个人脸分类和边界回归的CNN可以进一步提升其效果。
方法是用人脸图片微调AlexNet。
Facial Parts Responses to Face Detection A Deep Learning Approach.pdf
实现:暂无
这篇论文发表于ICCV2015,很有借鉴意义,论文提出了一个新的概念deep convolutional network (DCN) ,在FDDB数据集上达到了目前世界领先水准,这篇论文可以与之前《Joint Cascade Face Detection and Alignment》结合来看,其实是同一种思想在不同方向上的应用。
论文提出的DCN主要有三点新优势:
1、对遮挡有较强的鲁棒性。
2、可以检测到多角度倾斜人脸。
3、可以从一整张图片中检测出大小不一的人脸。
主要得益于一点,利用人脸上关键点的位置信息判断是否人脸(是不是和之前的JDA有些像啊),总结一下就是先用5个CNN检测全图,5个CNN分别是用于检测头发、眼睛、鼻子、嘴巴、脖子,之后合并五个的结果,利用这些位置信息判决人脸。
Faceness-Net :
Faceless-Net工作流包括三个阶段,生成人脸局部信息特征图,根据打分排序候选框,完善候选框。整个流程如图a所示。在第一阶段,人脸被作为输入放进5个CNN网络,5个输出包含各个器官的位置信息,被整合为一个hf送入下一阶段。
在第二阶段,匹配这些器官位置,对其打分排序。
在第三阶段,一次检测,无需滑窗。
下面分别详述每个阶段:
Partness Maps Extraction :
网络结构如下图所示:研究指出叠加多个卷积层可以获得目标位置。
下图展示了各个网络区分粒度的效果:
从图上结果显示,当粒度从物体-非物体,人脸-非人脸,亚洲人脸-欧洲人脸等,升至直发-卷发、微笑-厚嘴唇等这样的器官粒度时,对遮挡人脸的鲁棒性最强,5个网络的分类可以如下表一样,为了获得更好的区分效果,每个网络模型都是从ImageNet训练好的模型微调而来。
Ranking Windows by Faceness Measure :
本节讲述如何根据各个器官的位置信息对其打分。这部分有点难,先略过。
Face Detection :
经过上面的步骤处理,生成的候选框已经有较高的召回率,通过训练一个人脸分类和边界回归的CNN可以进一步提升其效果。方法是用人脸图片微调AlexNet。
相关文章推荐
- Android ImageView图片自适应
- Swift中使用typealias定义一个闭包closure
- Android判断网络类型的方法(2g,3g还是wifi)
- 从源码角度带你分析 Android View 事件分发 dispatchTouchEvent,onTouch,onTouchEvent,onClick逻辑顺序过程(一)
- Android CTS(兼容性测试)整个流程
- Android SDK 百度地图通过poi城市内检索简介接口的使用
- android 屏幕自适应讲解
- Android缓存文件的存放
- Android百度地图poi范围搜索
- android camera2配置流程
- Android Lollipop新特性
- wiki/Cg Programming/Unity_shder/Debugging of Shaders
- Android带进度的圆形进度条
- Android开发学习总结(一)——搭建最新版本的Android开发环境
- android中获取手机屏幕点亮状态---点亮屏幕
- 自定义Android六边形进度条(附源码)
- Android编程中FileOutputStream与openFileOutput()的区别分析
- Android 百度地图POI搜索功能实例代码
- unity用oculus播放全景视频
- Struts2初学 Struts2在Action获取内置对象request,session,application(即ServletContext)