KPNet:面部检测的极简解决方案
本研究旨在评估迁移学习模型,包括 MobileNetV2 和 NasNetMobile,以及自定义 CNN 体系结构,在模型大小、参数和推理时间方面开发高效的深度学习模型,并研究数据增强和微调对这些模型的影响。MobileNetV2 体系结构产生了最低的 RMSE 和推理时间,而以人工优化的 CNN 体系结构与 Auto Keras 调整的体系结构表现类似。
May, 2022
介绍了一种新颖的关键点检测方法,该方法结合了手工制作和学习的 CNN 滤波器,使用浅层的多尺度架构,在网络中使用尺度空间表示,在不同的层面提取关键点,并设计了一种损失函数来最大化关键特征的可重复性,使用 ImageNet 数据集创建了合成数据用于训练并在 HPatches 基准测试中进行了评估,结果显示我们的方法在可重复性,匹配性能和复杂性方面优于现有的检测器。
Apr, 2019
PocketNet 是一种高度精准且轻量级的人脸识别解决方案,通过神经架构搜索和基于知识蒸馏的新型训练范式来提高模型的紧凑性和性能,并在九个基准测试中超越了当前最先进的紧凑型 FR 模型。
Aug, 2021
本文提出了一种基于面部属性监督的深度卷积神经网络 (CNN) 进行人脸检测的方法,通过观察 CNN 在对未裁剪的面部图像进行属性分类训练时产生局部探测器的现象,并利用具有局部结构和排列的人脸部分响应的评分机制来寻找人脸,使得该网络能够在面部部分可见的严重遮挡和非约束姿态变化下检测出人脸,实现了在 FDDB、PASCAL Faces、AFW 和 WIDER FACE 等流行基准测试中有着很有希望的性能表现。
Jan, 2017
该论文探讨了物体识别中探测小物体的挑战,重点考察了尺度不变性、图像分辨率、语境推理等方面,并通过训练深度网络实现了在小脸检测方面的突破,在 FDDB 和 WIDER FACE 数据集上实现了优异的结果。
Dec, 2016
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
本文提出了一种使用深度神经网络技术实现的、适用于各种人脸检测和识别的解决方案,包括面部检测、特征定位和人脸验证等环节,并在许多测试数据集上达到了最新水平。
Sep, 2018
本文提出了 Pixel-in-Pixel Net(PIPNet) 对面部关键点检测的改进方法,旨在解决热图回归模型在计算效率、全局模型约束和域差异等方面的问题。实验表明,该模型在三个受监督学习的基准测试中均具有最先进的表现,而在两个跨领域测试集上的结果也得到了明显改善。同时,PIPNet 的轻量级版本在 CPU 和 GPU 上分别以 35.7 和 200 FPS 的速度运行,仍然保持了与最先进方法的竞争精度。
Mar, 2020
本研究通过 Balanced-data-anchor-sampling、Dual-PyramidAnchors 和 Dense Context Module 等技术的应用,提出了 PyramidBox++ 算法用于进一步提高人脸检测性能,取得了最佳性能。
Mar, 2019
本研究旨在解决基于关键点的目标检测的高处理成本问题,提出了 CornerNet-Lite 算法,它是 CornerNet 的两个高效变体 CornerNet-Saccade 和 CornerNet-Squeeze 的组合,可以在不牺牲准确性的前提下提高检测效率,为实时检测带来了新的可能性。
Apr, 2019