Sep, 2017

基于区域的全卷积网络检测人脸

PDF
TL;DR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。
face detectionregion-based methodsdeep networksconvolutional networksresnet
发现论文，激发创造
  • 基于区域全卷积网络的物体检测

    本论文涉及基于区域的检测器，使用卷积网络实现高效的物体检测，使用位置敏感的得分图解决分类中的平移不变性和物体检测中的平移可变性的问题，可自然地采用全卷积图像分类器骨干网进行物体检测，以 101 层残差网络 (ResNet) 在 PASCAL VOC 数据集上取得 83.6% mAP 的竞争性结果，测试时间为每张图像 170ms，比 Faster R-CNN 快 2.5-20 倍。

    May, 2016

  • 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

  • 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

  • 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

  • 多尺度级联全卷积网络人脸检测器

    本研究提出一种基于全卷积神经网络的三级级联结构，采用多尺度全卷积网络生成得分图，使用可能区域而非建议直接连接下一级级联，通过使用得分图可以在公共数据集上获得强大的人脸检测性能。

    Sep, 2016

  • 基于可变形部件的全卷积网络用于目标检测

    本文提出了 DP-FCN，一种深度学习模型，可专门适应具有可变形部件的对象形状，从而实现目标检测，其主要模块包括：完全卷积网络、基于可变形部件的 RoI 池化层和变形感知定位模块，实验证明 DP-FCN 在 PASCAL VOC 2007 和 2012 数据集上均取得了 83.1% 和 80.9% 的最新性能表现。

    Jul, 2017

  • 使用改进的 Faster RCNN 进行人脸检测

    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

  • 基于深度学习的面部部位响应到人脸检测的转换

    本文提出了一种新颖的深度卷积网络，通过对面部部位响应的空间结构和排列进行评分机制，从新的角度寻找面部，并考虑到挑战性情况下的面部检测，如严重遮挡和不受约束的姿势变化，以实现在 FDDB，PASCAL Face 和 AFW 数据集上出色的表现。

    Sep, 2015

  • 基于可变形卷积网络的大规模乳腺 X 光计算机辅助诊断

    本文介绍了一种基于 R-FCN/DCN 神经网络架构的新型乳腺 X 光的深度学习方法，应用于乳腺癌的检测。经过训练和测试，该方法在竞争环节中的 DREAMS 挑战中表现出色，取得了 0.879 的 ROC 曲线下面积，优于其他任何提交的结果。

    Feb, 2019

  • 使用 Faster R-CNN 进行人脸检测

    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