[置顶] MTCNN算法提速(ARM测试结果评估)(持续更新中。。。)
2017-11-02 10:48
323 查看
mtcnn算法工程应用的系列博客博主已经介绍了一部分了,可参考下列博客:
人脸检测之MTCNN训练自己的数据(仅供参考,部分代码尚未公开!)
mtcnn-light模型转换程序及mtcnn用于行人检测效果展示
MTCNN的windows-cpu配置
注意:mtcnn不光可以检测人脸,只要是接近正方形的物体,都是可以检测的,例如象棋、车尾、字符等,而且检测速度很快,相比其他固定图像大小输入的深度学习算法(如SSD或YOLO)有着不可超越的优势。博主可以帮忙训练提供模型!
经博主测试,mtcnn原三层网络如果用于工程测试,误检情况严重,在fddb上测试结果也是,经常将手或者耳朵检测为人脸,这个很头疼,所以重新训练显得尤为重要!
博主的改进方法及如何重新训练的就不具体介绍了,主要思想就是用卷积取代池化,这里展示下改进后的算法效果吧!
测试软件:vs2015
测试硬件:i7-4790-4core
尾注:1、图中可以看出,在满足一定的准确率情况下,速度得到了很大提升,而且测试时一定程度上降低了误检,可满足一定的工程应用!
2、我用的是MTCNN-light作为测试程序,FDDB的测试也是通过此代码。
3、FDDB测试效果和作者上传的FDDB测试效果不同,不知道是为什么?难道是因为MTCNN-light?知道原因的小伙伴麻烦告知我下!
-----------------------------------------------更新(2017.11.15)-------------------------------------------------
方法:通过修改网络(保留了原12x12网络),三层网络分别设为12x12,18x18和24x24
测试:1、1920x1080视频,最小检测人脸为60,速度为75ms,精度影响不大
2、640x480视频,最小检测人脸为30,速度为46ms,精度影响不大
-----------------------------------------------更新(2017.12.28)-------------------------------------------------
方法:通过修改网络(三层网络结构全部修改),三层网络分别设为12x12,18x18和24x24
测试:1920x1080视频,最小检测人脸为60,速度为60ms,精度影响不大
-----------------------------------------------更新(2018.01.13)-------------------------------------------------
方法:基于上次更新的网络结构,再次重构12x12网络(离散ROC-0.85)
测试:1920x1080视频,最小检测人脸为60,速度为29ms!(一定程度上已经超越shiqiYu)
640x480视频,最小人脸为25,速度为23ms!
-----------------------------------------------更新(2018.01.18)-------------------------------------------------
硬件:香橙派,全志A64芯片,4核64位Cortex-A53,市场价格240元!
测试:640x480视频,最小检测人脸80,速度45ms!
-----------------------------------------------更新(2018.01.31)-------------------------------------------------
基于更新(2018.01.13),添加了5个特征点回归(landmark),特征点回归准确无误!
尾注:1、某些公开的非官方mtcnn训练方法有误!只可参考,不可深入!
2、Complete TRAINING code can not be shared!Sorry!
任何问题请加唯一QQ2258205918(名称samylee)!
人脸检测之MTCNN训练自己的数据(仅供参考,部分代码尚未公开!)
mtcnn-light模型转换程序及mtcnn用于行人检测效果展示
MTCNN的windows-cpu配置
注意:mtcnn不光可以检测人脸,只要是接近正方形的物体,都是可以检测的,例如象棋、车尾、字符等,而且检测速度很快,相比其他固定图像大小输入的深度学习算法(如SSD或YOLO)有着不可超越的优势。博主可以帮忙训练提供模型!
经博主测试,mtcnn原三层网络如果用于工程测试,误检情况严重,在fddb上测试结果也是,经常将手或者耳朵检测为人脸,这个很头疼,所以重新训练显得尤为重要!
博主的改进方法及如何重新训练的就不具体介绍了,主要思想就是用卷积取代池化,这里展示下改进后的算法效果吧!
测试软件:vs2015
测试硬件:i7-4790-4core
尾注:1、图中可以看出,在满足一定的准确率情况下,速度得到了很大提升,而且测试时一定程度上降低了误检,可满足一定的工程应用!
2、我用的是MTCNN-light作为测试程序,FDDB的测试也是通过此代码。
3、FDDB测试效果和作者上传的FDDB测试效果不同,不知道是为什么?难道是因为MTCNN-light?知道原因的小伙伴麻烦告知我下!
-----------------------------------------------更新(2017.11.15)-------------------------------------------------
方法:通过修改网络(保留了原12x12网络),三层网络分别设为12x12,18x18和24x24
测试:1、1920x1080视频,最小检测人脸为60,速度为75ms,精度影响不大
2、640x480视频,最小检测人脸为30,速度为46ms,精度影响不大
-----------------------------------------------更新(2017.12.28)-------------------------------------------------
方法:通过修改网络(三层网络结构全部修改),三层网络分别设为12x12,18x18和24x24
测试:1920x1080视频,最小检测人脸为60,速度为60ms,精度影响不大
-----------------------------------------------更新(2018.01.13)-------------------------------------------------
方法:基于上次更新的网络结构,再次重构12x12网络(离散ROC-0.85)
测试:1920x1080视频,最小检测人脸为60,速度为29ms!(一定程度上已经超越shiqiYu)
640x480视频,最小人脸为25,速度为23ms!
-----------------------------------------------更新(2018.01.18)-------------------------------------------------
硬件:香橙派,全志A64芯片,4核64位Cortex-A53,市场价格240元!
测试:640x480视频,最小检测人脸80,速度45ms!
-----------------------------------------------更新(2018.01.31)-------------------------------------------------
基于更新(2018.01.13),添加了5个特征点回归(landmark),特征点回归准确无误!
尾注:1、某些公开的非官方mtcnn训练方法有误!只可参考,不可深入!
2、Complete TRAINING code can not be shared!Sorry!
任何问题请加唯一QQ2258205918(名称samylee)!
相关文章推荐
- python自动化测试学习遇到的编程问题:*arg是啥,python自动化测试将测试结果写入excel中【持续更新】
- opencv2.3.1在arm端的移植( 更新测试结果)
- [置顶] 2018阅读书单(持续更新)
- [置顶] Android 7.0 的改动(持续更新)
- 和小强学移动app测试2】移动终端app测试点归纳(持续更新)
- [置顶] Android+Java知识点总结-持续更新中(为了更好的自己)
- ARM汇编学习拾贝 (持续更新)
- arm端opencv在SBC3730上的测试结果
- [置顶] 一句话详细题解+优质题目及其博客(清真代码)链接 (持续更新)+知识点讲解汇总
- android及IOS的测试中容易疏漏或者测漏的点——持续更新
- [置顶] 我的下载资源整理(持续更新)
- [置顶] ubuntu 12.04 使用纪要 -- 持续更新
- [置顶] iOS 小技巧笔记(持续更新)
- 【和小强学移动app测试2】移动终端app测试点归纳(持续更新)
- [持续更新中]自动化测试中经常使用到的adb 命令
- [置顶] JS知识体系构建--持续更新
- [置顶] React Native开发错误警告处理总结(持续更新)
- [置顶] React 全家桶学习资源(持续更新)
- [置顶] 计算机视觉、机器学习相关领域论文和源代码大集合--持续更新……
- 样式测试点持续更新中