Aug, 2016

利用难负样本引导人脸检测

PDF
TL;DR本文描述了一种利用深度卷积网络进行面部检测的新方法，其中通过利用硬负样本挖掘的想法并迭代更新 Faster R-CNN 基础面部检测器，从大量背景样例中得到的硬负样本，最终获得的面部检测器在 FDDB 数据集上的性能要优于目前的最优面部检测器。
face detectionconvolutional networkshard negative miningfaster r-cnnfddb dataset
发现论文，激发创造
  • 视频无监督困难样本挖掘以提升物体检测

    通过对视频数据分析，提出一种利用孤立检测结果自动获取大量 hard negative 和 hard positive 的方法，用于在多项物体检测数据集中重新训练神经网络并显著提升检测表现。

    Aug, 2018

  • 在困难图像上训练小面孔以实现强大的人脸检测

    本文提出了一种基于锚点的深度人脸检测器，通过在 hard images 上学习 small faces，并采用新型的 hard image mining 训练方法，在 WIDER FACE、FDDB、Pascal Faces 和 AFW 数据集上进行了实验，证明了该方法对 hard faces 检测的有效性。

    Nov, 2018

  • 基于深度学习的人脸检测：一种改进的 Faster RCNN 方法

    利用深度学习技术提高了 faster RCNN 的性能，实现人脸检测领域的最新技术并在 FDDB 数据集上表现出优异的 ROC 曲线。

    Jan, 2017

  • 人脸 R-CNN

    提出了一种基于 Faster R-CNN 的深度人脸检测方法，通过新的多任务损失函数设计、在线困难样本挖掘和多尺度训练策略等多种技术手段，名为 Face R-CNN 的方法在 FDDB 和 WIDER FACE 两个人脸检测基准测试中证明了在多方面的优越性。

    Jun, 2017

  • 低质量图像中人脸检测综述

    这篇论文回顾了目前最先进的人脸检测器在高质量图像上的表现，并评估了它们在低质量图像上的鲁棒性，结果表明，手工设计或基于深度学习的人脸检测器在低质量图像上的性能下降，需要研究更加鲁棒的设计方案。

    Apr, 2018

  • 使用基于神经网络的约束优化对人脸检测器进行对抗性攻击

    本文提出了一种新的对抗生成网络（adversarial generator network）求解约束优化问题来产生对抗性样本的策略，该方法经过简单训练后线性扩展的能力很强，可以攻击还未曾见过的新图片，使用此技术针对 Faster R-CNN 人脸检测模型可将原本检测人脸的成功率从 100% 降低到仅 0.5%。

    May, 2018

  • 面向非约束人脸检测的深度学习框架

    本文提出了一种名为 MS-FRCNN 的新方法，它可以鲁棒地检测在面临各种困难的情况下搜集的图像中的人类面部区域，基于 Wider Face 数据库和 Face Detection 数据集与基准（FDDB）对比表明，该方法在各种情况下相对于其他最新的人脸检测方法，始终保持高度竞争力的最新表现。

    Dec, 2016

  • A-Fast-RCNN：通过对抗生成硬正例来进行目标检测

    本文提出了使用对抗网络生成带有遮挡和变形的示例来学习不变性的方法，该方法在 VOC07 和 VOC2012 目标检测挑战中取得了 2.3％和 2.6％的 mAP 提升。

    Apr, 2017

  • 卷积神经网络在识别负面图像方面的限制

    本文研究卷积神经网络（CNN）在学习训练数据语义方面的能力，通过对负面图像进行评估，发现当 CNN 在正常图像上训练，测试在负面图像时，模型准确度明显降低，导致我们猜测目前的训练方法不能有效地训练模型来概括概念，引入语义对抗示例的概念，并将负面图像作为其中一类这样的输入。

    Mar, 2017

  • Few-shot 目标检测中负信息恢复

    本研究关注于少样本目标检测的应用，旨在恢复少样本目标检测中缺失信息。通过引入新的正负样本代表和基于度量学习的框架，建立模型以提高状态最优的准确性。

    Oct, 2020