FDLite: 单阶段轻量级人脸检测网络
本研究提出了一种轻量且准确的面部检测算法 LAFD(基于 Retinaface)。该算法中的主干网络是修改的 MobileNetV3 网络,调整了卷积核的大小、反向残差块的通道扩展乘数以及 SE 注意机制的使用。在上下文模块中引入了可变形卷积网络(DCN),并使用焦点损失函数作为模型的分类损失函数,而不是交叉熵损失函数。在 WIDERFACE 数据集上的测试结果表明,LAFD 的平均准确率分别为 94.1%,92.2%和 82.1%,对应于 “easy”,“medium” 和 “hard” 验证子集,相对于 Retinaface 分别提高了 3.4%,4.0%和 8.3%,相对于轻量级模型 LFFD 分别提高了 3.1%,4.1%和 4.1%。如果将输入图像预处理并缩放到 1560 像素的长度或 1200 像素的宽度,该模型在 “hard” 验证子集上可以达到 86.2%的平均准确率。该模型很轻量,仅有 10.2MB 的大小。
Aug, 2023
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
本研究详细探讨和比较了轻量级人脸识别模型,特别关注 MobileFaceNet 及其修改版 MMobileFaceNet。我们研究了数据集选择、模型架构和优化算法对人脸识别模型性能的影响。通过在 EFaR-2023 竞赛中的参与,我们的模型在参数受限的类别中表现出色。通过使用 Webface42M 数据集的子集和集成锐度感知最小化(SAM)优化,我们在各种基准测试中实现了显着的精度提升,包括跨姿势、跨年龄和跨种族的性能。结果凸显了我们方法在打造既计算高效又在不同条件下保持高精度的模型方面的有效性。
Nov, 2023
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
本篇论文介绍了一种基于卷积神经网络设计的人脸检测器,该检测器可以处理极大范围内尺度大小的人脸,所设计的深度卷积神经网络结构可以模拟不同尺度的人脸,且经过训练后在 WIDER FACE 和 FDDB 数据集中表现出优异性能,其模型的输入不需要图像金字塔,拥有适度的复杂度,实用性标准时间内运行。
Jun, 2017
本研究提出了一种名为 MobiFace 的轻量级深度神经网络,可在移动设备上进行人脸识别,并在某些情况下表现出与大型深度网络的竞争力。
Nov, 2018
本文利用加速技术,设计了一个紧凑的人脸特征点检测模型,在不同的自然环境下,如不受限制的姿态、表情、光照和遮挡,取得了很高的检测精度和超快的速度,通过旋转信息的估计进行几何规范化特征定位,同时还采用不同样本权重的一种新误差函数,用于平衡数据不均衡的问题,并在多个面部特征检测数据集上表现出卓越的性能。
Feb, 2019
本文提出了一种新的多尺度人脸检测器 EXTD,参数数量少于 0.1 万,实现了与深度重型检测器相当的性能,采用了轻量级和浅层的骨干网络的共享,从而显著减少了参数数量,并提供了从网络层的高阶抽象图像语义到低级特征图的功能。
Jun, 2019
提出了一种新的基于 ResNet-101 的双阶段目标检测器 Light-Head R-CNN,通过使用一个轻量级的特征图和一个便宜的 R-CNN 子网络来实现网络头部的最小化,而且在 COCO 上表现良好,在保持时间效率的同时也比单阶段的快速检测器像 YOLO 和 SSD 更准确。
Nov, 2017