前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >详解OpenVINO 模型库中的人脸检测模型

详解OpenVINO 模型库中的人脸检测模型

作者头像
OpenCV学堂
发布2020-10-27 10:56:33
1.2K0
发布2020-10-27 10:56:33
举报
文章被收录于专栏:贾志刚-OpenCV学堂

OpenVINO人脸检测模型

OpenVINO的模型库中有多个人脸检测模型,这些模型分别支持不同场景与不同分辨率的人脸检测,同时检测精度与速度也不同。下面以OpenVINO2020 R04版本为例来逐一解释模型库中的人脸检测,列表如下:

从列表中可以看出骨干特征网络主要是MobileNetv2与SqueezeNet两种支持实时特征网络,ResNet152是高精度的特征网络,检测头分别支持SSD、FCOS、ATSS。

01

MobileNetv2版本的模型结构

上面三张图就是MobileNetv2的全部!看懂就好!

02

ResNet网络

残差网络模型在2015年提出,OpenCV从3.3版本开始支持,相关的论文如下:

代码语言:javascript
复制
https://arxiv.org/pdf/1512.03385.pdf

与VGG模型对比,模型结构:

03

SqueezeNet网络

该模型与MobileNet网络都是支持移动端/端侧可部署的模型,2016提出,相关论文如下:

代码语言:javascript
复制
https://arxiv.org/pdf/1602.07360.pdf

模型结构

检测模型

根据不同的检测头,组合生成不同的对象检测模型,这里三种常见的检测模型:

01

SSD检测

SSD论文中给出的是基于VGG-16作为backbone网络的,替换VGG为MobileNetV2,然后从第12个权重层开始提取特征到第14或者15个权重层,针对anchor预测与类别预测完成回归与分类损失计算,实现对象检测模型训练。

02

FCOS检测

跟YOLOv1相似是一个anchor-free的网络模型,多了一个中心输出来压制低质量的bounding box输出。

03

ATSS

ATSS的全称是自适应训练样本选择,

作者首先对比了RetinaNet与FCOS两种对象检测方法,发现对象检测在回归阶段的本质问题是如何选择正负样本,解决样本不平衡性问题,从而提出了一种新的正负样本选择定义方法-自适应训练样本选择(ATSS)。流程如下

该方法可以获得更好的对象检测精度与mAP,适用RetinaNet与FCOS等对象检测网络。实际实验数据对比:

代码演示与对比

上面的OpenVINO的人脸检测模型列表中,MobileNetv2 + SSD/FCOS适用于速度优先,不同分辨率的场景,ResNet152 + ATSS是OpenVINO模型库中的精度最高的人脸检测预训练模型。下面我们就通过代码分别测试FCOS与ATSS两种检测模型的检测效果比较,针对同一张测试人脸图像,图示如下:(此张非原图!原图太大,无法上传

统一调整阈值为0.25,推理时间与检测人脸总数的对比图如下:

最终分别得到测试图像如下:

FCOS

ATSS

本文参与 腾讯云自媒体同步曝光计划,分享自微信公众号。
原始发表:2020-10-18,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 OpenCV学堂 微信公众号,前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体同步曝光计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
相关产品与服务
对象存储
对象存储(Cloud Object Storage,COS)是由腾讯云推出的无目录层次结构、无数据格式限制,可容纳海量数据且支持 HTTP/HTTPS 协议访问的分布式存储服务。腾讯云 COS 的存储桶空间无容量上限,无需分区管理,适用于 CDN 数据分发、数据万象处理或大数据计算与分析的数据湖等多种场景。
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档