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

来自专栏新智元

【GAN画花鸟】零样本学习,对抗生成网络从文本描述生成图像

【新智元导读】这是一项从图像的文字描述合成出图像的研究,在自然语言表征和图像合成研究的基础上,研究者开发了简单有效的 GAN 架构和训练策略,实现了从人类对花和...

4247
来自专栏机器之心

CVPR 2018 | Poster论文:处理多种退化类型的卷积超分辨率

1715
来自专栏AI深度学习求索

CVPR2017|实时多人姿态评估 Part Affinity Fields

论文:《Realtime Multi-Person 2D Pose Estimation using Part Affinity Fields》

422
来自专栏大学生计算机视觉学习DeepLearning

转-------CNN图像相似度匹配 2-channel network

7565
来自专栏机器之心

嘿嘿,想变成会跳舞的小哥哥或小姐姐吗?超简单!

作者:Caroline Chan、Shiry Ginosar、Tinghui Zhou、Alexei A. Efros

521
来自专栏专知

【CVPR2018论文笔记】非监督任意姿势人体图像合成

1512
来自专栏深度学习与数据挖掘实战

干货|GAN for NLP (论文笔记及解读)

GAN 自从被提出以来,就广受大家的关注,尤其是在计算机视觉领域引起了很大的反响。“深度解读:GAN模型及其在2016年度的进展”[1]一文对过去一年GAN的进...

904
来自专栏机器之心

学界 | 通过扭曲空间来执行数据分类:基于向量场的新型神经网络架构

2796
来自专栏机器学习、深度学习

视频插值--Video Frame Interpolation via Adaptive Separable Convolution

Video Frame Interpolation via Adaptive Separable Convolution ICCV2017 https:...

2379
来自专栏阮一峰的网络日志

TF-IDF与余弦相似性的应用(二):找出相似文章

上一次,我用TF-IDF算法自动提取关键词。 今天,我们再来研究另一个相关的问题。有些时候,除了找到关键词,我们还希望找到与原文章相似的其他文章。比如,"Goo...

3416

扫码关注云+社区