寻找微小人脸
本研究提出了一个名为 TinyPerson 的新基准,针对大规模图像中的微小对象(例如少于 20 像素的微小人物),引入了远距离和大背景下微小目标检测的有前途的方向,并且通过采用简单而有效的比例匹配方法,在避免特征表示和检测器退化的同时获得了显著的性能提升,并且进一步展示了 TinyPerson 与真实世界场景相关的挑战。
Dec, 2019
本篇论文介绍了一种基于卷积神经网络设计的人脸检测器,该检测器可以处理极大范围内尺度大小的人脸,所设计的深度卷积神经网络结构可以模拟不同尺度的人脸,且经过训练后在 WIDER FACE 和 FDDB 数据集中表现出优异性能,其模型的输入不需要图像金字塔,拥有适度的复杂度,实用性标准时间内运行。
Jun, 2017
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
本文介绍了一种名为 Single Shot Scale-invariant Face Detector 的实时人脸检测器,它通过单个深度神经网络在各种尺度的人脸上表现出色,特别是对小尺寸的人脸有良好的检测效果。我们在提出一个尺度平等的人脸检测框架、通过尺度补偿锚匹配策略和最大化背景标签的方式来提高小尺寸人脸的召回率和减少假阳性率。通过 AFW、PASCAL face、FDDB 和 WIDER FACE 数据集的评测结果,该方法达到了当今最先进的检测性能,并可在 Nvidia Titan X (Pascal) 上为 VGA 分辨率图像提供 36 FPS 的响应速度。
Aug, 2017
提出了一种利用上下文改进小目标检测准确性的方法,该方法使用不同层的多尺度特征作为上下文来增强小目标检测的准确性,并提出带有注意机制的物体检测方法,可以专注于图像中的对象并包括目标层的上下文信息。实验结果表明,该方法在检测小目标方面的准确性比传统 SSD 更高,在 PASCAL VOC2007 测试集上实现了 78.1%的 mAP。
Dec, 2019
本文分析了不同的目标识别和检测技术,针对极端尺度变化进行了比较,比较了尺度特定和尺度不变的设计,提出了一种新的训练方案:图像金字塔尺度归一化检测器(SNIP),并在 COCO 数据集上进行了评估。
Nov, 2017
本论文主要研究如何利用检测因素来提高基于深度学习的人脸识别在低质量图像下的识别准确率,通过利用 MS-Celeb-1M 数据集并对 VGGFace2 数据集进行微调,达到了 SCFace 和 ICB-RW 基准测试的最新水平。
Jul, 2019
本文研究了深度卷积网络在人脸识别中的性能,发现网络的 “瓶颈” 结构对于迁移学习具有重要作用,并提出了一种解决方法,即用自助法取代随机子采样;同时还发现了表示范数和目标域判别能力之间的联系,并基于这些发现,在目前最流行的人脸识别数据集 LFW 上取得了优秀的性能,甚至超越了商用系统。
Jun, 2014