Sep, 2019

RefineFace: 高性能人脸检测的细节优化神经网络

PDF
TL;DR该论文提出了一种名为 RefineFace 的单次精炼人脸检测器，它由五个模块组成：选择性二步回归、选择性二步分类、比例感知边缘损失、特征监督模块和感受野增强。实验结果表明，该方法在 WIDER FACE、AFW、PASCAL Face、FDDB、MAFA 等数据集上均取得了最先进的结果，并在 VGA 分辨率图像中以 37.3 FPS 的速度运行。
face detectionrefinefaceregressionclassificationreceptive field enhancement
发现论文，激发创造
  • 用于高性能人脸检测的选择性细化网络

    本文介绍了一种新的单次检测人脸算法 —— 选择性精化网络（SRN），通过引入新奇的两步分类和回归操作，可以减少假阳性，同时提高定位准确性，随即提出了两个模块，选择性两步分类（STC）和选择性两步回归（STR），并设计可接受的感受野扩展块（RFE）来更好地捕获面部的一些极端姿势，最终在 AFW，PASCAL face，FDDB 和 WIDER FACE 数据集上均取得了最新的性能。

    Sep, 2018

  • EfficientSRFace: 一种高效的具有超分辨增强的网络，用于准确的面部检测

    为解决深度人脸检测在低分辨率人脸检测中的性能问题，本文提出了一种新的高效检测器 EfficientSRFace，引入了特征级超分辨率重建网络，并在公共数据集 FDDB 和 WIDER Face 上取得了与现有算法相当的检测性能结果。

    Jun, 2023

  • 对象检测的单次修订神经网络

    本文提出了一种新的基于单一射击的检测器 RefineDet，它既具有两阶段方法的高精度，又保持了一阶段方法的高效率。RefineDet 由锚点精炼模块和目标检测模块组成，通过多任务损失函数的训练获得了最高的检测准确率。

    Nov, 2017

  • 使用特征精炼网络和分层多尺度架构检测头部

    本文提出了一种使用深度卷积神经网络实现室内场景下头部尤其是小头部准确检测的方法，其核心是特征细化网络（FRN）和级联多尺度架构，并使用 SCUT-HEAD 数据集进行测试，取得了最先进水平的表现。

    Mar, 2018

  • 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

  • RetinaFace：野外密集人脸定位的单阶段方法

    本文介绍了一种名为 RetinaFace 的检测器，采用联合额外监督和自监督多任务学习，在各种尺度的人脸上实现了像素级别的人脸定位，并采用 5 个额外的面部标记，取得了显著的性能提升。

    May, 2019

  • 高性能精准人脸检测

    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

  • 鲁棒性和高性能的人脸检测器

    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

  • 基于区域的全卷积网络检测人脸

    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

  • 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