人脸检测--Faceness-Net: Face Detection through Deep Facial Part Responses

Faceness-Net: Face Detection through Deep Facial Part Responses PAMI2017 From Facial Parts Responses to Face Detection: A Deep Learning Approach ICCV2015 http://shuoyang1213.me/projects/Faceness/Faceness.html https://pan.baidu.com/s/1qWFwqFM Password: 4q8y

本文针对人脸检测问题,从 facial attributes 的角度来解决人脸检测中的 severe occlusions 和 large pose variation

在人脸检测中使用 facial attributes supervision 的好处: 1)Discovering facial parts responses supervised by facial attributes 人脸具有唯一的结构 2) Computing faceness score from responses configurations 由人脸的局部到整体的推导 3) Refining the face hypotheses 人脸候选区域的进一步验证

本文和我们以前的工作【24,25】相比较,主要的改进在于设计了一个更有效的CNN,提高了速度和精度,具体改进有: 1)以前我们是用独立的网络来学习各个 facial parts,现在 我们共享了这些部件特征, share feature representations between these attribute-aware networks,这么做降低网络的参数量(( ∼ 83% fewer parameters),同时提升了网络的鲁棒性 2)候选区域提取模块嵌入到整个网络中,而不是独立的模块 This design not only leads to improved computation efficiency but also higher recall rate 3)更多的分析和实验

3 Faceness-Net

算法的整个流程是首先进行人脸局部特征的检测,然后从局部到整体得到人脸候选区域,再对人脸候选区域进行人脸识别和矩形框坐标回归

First stage 每个人脸局部特征我们使用一个CNN来检测 attribute-aware networks,一共五个特征属性: hair, eyes, nose, mouth, and beard 有了局部特征属性的响应,有局部推理出人脸候选区域

Second stage 训练一个多任务的CNN来完成人脸二分类和矩形框坐标回归 face classification and bounding box regression are jointly optimized

3.1 Attribute-Aware Networks Network structure 网络结构

Shared representation 特征共享 网络的前半部分网络参数基本一样,所以可以实现共享, 降低网络参数量 83%

3.2 Learning to Generate Partness Maps

人脸局部属性归类

3.3 Generating Candidate Windows 一般来说有两种方法可以用于候选区域生成:Generic object proposal 和 Template proposal(RPN)。但是这两种方法都是针对 generic objects 设计的,not suitable to propose windows specific to faces。我们提出了一个针对人脸的好方法 3.4

3.4 Ranking Windows by Faceness Score

3.5 Face Detection These face proposals can be subsequently fed to the multi-task CNN

fine-tune the first branch of the multi-task CNN for face classification and the second branch for bounding box regresssion

The runtime of the proposed Faceness-Net-SR-TP is 40 ms on a single Nvidia Titan X GPU. The time includes 10 ms to generate faceness proposals with the height of testing image no more than 300 pixels.

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏Deep learning进阶路

深度学习论文(十)---Multiple-Human Parsing in the Wild

Towards Real World Human Parsing: Multiple-Human Parsing in the Wild J Li , J ...

3700
来自专栏机器之心

学界 | OpenAI推出机器人新系统:机器可通过VR演示自主学习新任务

选自OpenAI 作者:PETER WELINDER等人 机器之心编译 参与:晏奇、黄小天 近日,OpenAI 官方博客上发表了一篇名为《自主学习的机器人(R...

3408
来自专栏机器之心

打开黑箱重要一步,MIT提出TbD-net,弥合视觉推理模型的性能与可解释性鸿沟

选自arXiv 作者:David Mascharka等 机器之心编译 参与:路雪、黄小天 近日,MIT 林肯实验室和 Planck Aerosystems 联合...

2628
来自专栏书山有路勤为径

机器人世界

与人类一样,机器人通过它的“感官”来感知世界。例如,无人驾驶汽车使用视频、雷达与激光雷达来观察周围的世界。随着汽车不断地收集数据,它们会建立起一个3D观察世界,...

564
来自专栏人工智能头条

胡新辰:LSTM学习教程、资料以及最新进展介绍总结

2312
来自专栏CVer

[计算机视觉论文速递] 2018-03-09

通知:这篇推文有19篇论文速递信息,涉及图像分类、目标检测、目标分割、超分辨率SR、姿态估计、行人重识别Re-ID等方向 [1]《A Deep Learning...

30010
来自专栏AI研习社

谷歌 AI:语义文本相似度研究进展

最近基于神经网络的自然语言理解的研究的迅速发展,尤其是关于学习文本语义表示的研究,使一些十分新奇的产品得到了实现,比如智能写作与可对话书籍。这些研究还可以提高许...

802
来自专栏机器之心

爆款论文提出简单循环单元SRU:像CNN一样快速训练RNN(附开源代码)

选自arXiv 机器之心编译 机器之心编辑部 近日,一篇题为《Training RNNs as Fast as CNNs》的 arXiv 论文通过有意简化状...

32811
来自专栏专知

【干货】基于GAN实现图像锐化应用(附代码)

2102
来自专栏CDA数据分析师

教你如何使用深度学习识别交通标志,准确度高达93%

原作者 Priya Dwivedi 编译 CDA 编译团队 本文为 CDA 数据分析师原创作品,转载需授权 自动驾驶已经迎来发展的热潮。自动驾驶车在行驶时,需...

3545

扫码关注云+社区