人脸 R-CNN
通过在大规模的 WIDER 人脸数据集上训练 Faster R-CNN 模型,我们在 FDDB 和最近发布的 IJB-A 两个广泛使用的人脸检测基准测试中报告了最先进的结果。
Jun, 2016
本文提出了一种名为 FDNet1.0 的面部检测详细设计的 Faster RCNN 方法,通过多尺度训练、多尺度测试、轻量级 RCNN、推理技巧和基于投票的集成方法,实现了在 WIDER FACE 验证数据集(易于设置、中等设置、困难设置)三项任务中的两个第一名和一个第二名。
Feb, 2018
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
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
本文提出了一种用于物体检测的快速区域卷积网络方法(Fast R-CNN),该方法采用了深度卷积神经网络对目标建议进行高效分类,相较于之前的方法,在提高检测精度的同时,大幅提高了训练和测试的速度。
Apr, 2015
本报告提出了一种基于深度网络的区域检测人脸的新方法 ——Face R-FCN,使用全卷积神经网络做到更准确和更高效的人脸检测,我们采用了一些新技术,包括位置敏感平均池化,多尺度训练和测试以及在线困难样例挖掘策略,这种方法在 FDDB 和 WIDER FACE 等标准数据集上达到了 state-of-the-artlevel 的检测效果。
Sep, 2017
我们提出了一个简单、灵活、通用的物体实例分割框架。此方法名为 Mask R-CNN,通过在现有的边界框识别分支上添加一个预测对象掩模的分支,同时高效地检测图像中的物体并生成每个实例的高质量分割掩模。该方法简单易用,可快速训练,并且在 COCO 挑战赛的三个跟踪任务中均取得最佳结果,在实例分割、边界框目标检测和人体关键点检测方面均表现优异,是一个强大的基线模型。
Mar, 2017
本文提出了一种名为 Decoupled Faster R-CNN (DeFRCN) 的简单而有效的体系结构,通过引入 Gradient Decoupled Layer 和 Prototypical Calibration Block 来解决数据稀少场景下的性能问题,在多个基准测试中都表现出优秀的性能表现,并成为少样本文献领域的新的最佳模型。
Aug, 2021
本篇研究通过 Intersection over Union (IoU) 回归的损失函数,两步分类和回归的检测方法,数据基于数据锚采样的增强,采用分类的最大输出操作,并且采用多尺度的测试策略在一个阶段的 RetinaNet 方法中应用一些技巧,从而获得高性能的人脸检测器。实验表明该算法在 WIDER FACE 数据集上的表现优于现有算法。
May, 2019
提出一种名为 CMS-RCNN 的面部检测方法,用于应对面部识别领域中的挑战性问题,该方法将多尺度信息与人体上下文信息相结合,具有排名第一的性能表现。
Jun, 2016