Dec, 2017

用于单阶段人脸检测的特征聚合网络

PDF
TL;DR本文中，我们提出了一种名为 FANet 的新型单阶段人脸检测器，它不仅实现了最新的性能，而且运行效率高。此外，我们还提出了一种分层损失来有效地训练 FANet 模型，并在几个公共人脸检测基准测试集上评估了所提出的 FANet 检测器，包括 PASCAL face、FDDB 和 WIDER FACE 数据集，在这些基准测试集上都获得了最新的结果。
face detectiondeep learningfeature agglomeration networksmulti-scale featureshierarchical loss
发现论文，激发创造
  • 视频人脸识别：基于组件特征聚合网络的方法 (C-FAN)

    我们提出了组件化特征聚合网络（C-FAN）作为视频人脸识别的新方法。C-FAN 自适应地将深层次特征向量聚合成一个单独的 512 维的表示一个视频序列的特征向量来实现出色的性能表现。

    Feb, 2019

  • 高分辨率遥感影像建筑物提取的特征聚合网络

    通过提出 Feature Aggregation Network (FANet) 方法，本研究突破了高分辨率卫星遥感图像处理中细粒度表面特征提取的关键技术挑战。

    Sep, 2023

  • DFANet: 深度特征聚合实时语义分割

    本文提出了一种名为 DFANet 的极其高效的卷积神经网络架构，用于在资源有限的情况下进行语义分割。通过子网络和子阶段级联聚合区分特征，通过多尺度特征传播，DFANet 大大减少了参数数量，并提高了模型学习能力，在速度和分割性能之间取得平衡。在 Cityscapes 和 CamVid 数据集上的实验证明了 DFANet 具有比现有最先进的实时语义分割方法快 2 倍，FLOPs 少 8 倍的卓越性能，同时提供可比较的准确性。具体而言，它在 Cityscapes 测试数据集上实现了 70.3％的 IOU 平均值，仅使用 1.7 GFLOPs，并在一张 NVIDIA Titan X 卡上以 160 FPS 的速度进行推断，在更高分辨率图像上推断时，实现了 71.3％的 IOU 平均值和 3.4 GFLOPs。

    Apr, 2019

  • 面部关注网络：一种针对被遮挡面部的有效人脸检测器

    本文提出了一种新的人脸检测器 Face Attention Network (FAN), 其中采用新的锚级别注意和数据增强技术，从而显着提高了被遮挡情况下人脸检测的召回率，且不影响检测速度。实验结果表明，该方法在 WiderFace 和 MAFA 等公共人脸检测基准测试中均获得了最先进的结果。

    Nov, 2017

  • 特征金字塔网络用于目标检测

    该论文介绍了基于深度卷积网络的 Feature Pyramid Network（FPN），该网络利用深度卷积网络自带的金字塔多尺度特征，并在多种应用中取得了重大改进，尤其是在目标检测上。使用 FPN 的 Faster R-CNN 系统在 COCO 检测基准测试中取得了最先进的单模型结果。此外，该方法能够在 GPU 上以 5 FPS 的速度运行，是一种实用且准确的多尺度目标检测解决方案。

    Dec, 2016

  • 视频面部表情识别的框架注意力网络

    本文提出了 Frame Attention Networks（FAN）来自动突出视频中具有区分度的帧，进行面部特征的集成，并在 CK + 和 AFEW8.0 数据集上展开了广泛的实验，其效果表现出优越的性能，超过了基于 CNN 的其他方法并在 CK + 上取得了最优秀的性能。

    Jun, 2019

  • 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

  • FANet：一种反馈注意力网络，用于改进生物医学图像分割

    在生物医学图像分析领域，我们提出了一种称为反馈关注网络（FANet）的新型架构，利用每个训练时期的信息来修剪随后的预测地图，该网络在不同的卷积层上允许学习特征图的 “硬关注”，通过七个公开的生物医学成像数据集测试，显示出较大的平均分割指标提高。

    Mar, 2021

  • 单目深度预测的金字塔特征注意力网络

    通过引入金字塔特征注意网络（PFANet），以提升高级上下文特征和低级空间特征，进一步改善深度估计中的空间布局、边界模糊和物体表面不连续等问题，并通过采用不同尺度的双尺度通道注意模块（DCAM），并以空间金字塔注意模块（SPAM）作为低级特征图中多尺度详细信息的引导来利用视觉特征的空间关系。最后，引入了尺度不变梯度损失，以增加对深度不连续区域中错误的惩罚。实验结果表明，我们的方法在 KITTI 数据集上优于最先进的方法。

    Mar, 2024

  • GraphFPN：面向物体检测的图特征金字塔网络

    本文提出的基于图形特征金字塔网络的多尺度特征学习方法，在对象检测任务中优化了 Faster R-CNN 算法，并超越了之前的最先进特征金字塔算法和其他流行的检测方法。

    Aug, 2021