DSFD: 双阶段人脸检测器
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
通过不同的可微架构搜索方法,提出的 AutoFAE 模块在人脸检测方面表现出优异的性能,并在 WIDER Face 测试中实现了 AP 96.7/96.2/92.1 的结果。
Jan, 2022
本文提出了一种基于卷积神经网络的 Deep Dense Face Detector (DDFD) 方法,不仅不需要姿态或者地标注释,而且能够探测多个视角下人脸的位置,并且表现出与其他方法相当或优于其他更为复杂的方法。
Feb, 2015
本报告通过重新实现最先进的探测器 SRN 并应用近期文献中提出的一些技巧来获得一种非常强大的人脸探测器,并在 WIDER FACE 测试集达到了最先进的表现。
Jan, 2019
本文提出了一种针对边缘设备的轻量级和高速人脸检测器,其方法是基于无锚点的一阶段检测,通过重新考虑感受野和有效感受野(ERF)之间的关系来实现多尺度的连续人脸检测。综合实验结果表明,该方法在多个数据集上取得了更高的准确度和更快的推断速度。
Apr, 2019
本文提出了一种新的单次面部检测网络 DF $^2$ S $^2$,其引入了更有效的特征融合金字塔和在 ResNet-50 上更高效的分割支路来处理细节、遮挡和模糊等问题,并在更高级别的特征映射中应用语义信息作为上下文线索,以增强低级别特征映射,最大限度地利用检测监督信息并在自我监督的方式下,处理语义与细节之间的失衡,并在 WIDER FACE 数据集上取得了最先进的结果。
Nov, 2018
我们从频域角度提出了 Dual-Path Frequency Discriminators (DFD) 网络,用于解决少样本异常检测中的问题,并通过鉴别分类模块在特征空间中检测和定位图像级别和特征级别的异常,实验证明我们的方法超过了现有的最先进方法。
Mar, 2024
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
该论文提出了一种新的深度神经网络用于目标检测,称为 ASSD;该网络在特征图的空间中建立特征关系,并通过全局关系信息学习突出特征图上的有用区域,抑制不相关信息;与有关 CNN 图层精细调整特征图的方法相比,ASSD 在设计上更为简单、计算上更为高效;实验结果表明,ASSD 与 SSD、DSSD、FSSD 和 RetinaNet 等现有方法相比具有竞争优势。
Sep, 2019
该论文提出了一个采用深度级联多任务框架的人脸检测和对齐方法,利用深度学习及在线难样本挖掘等技术,在 FDDB、WIDER FACE 和 AFLW 等基准测试中取得了优于同类算法的高准确度和实时性能。
Apr, 2016