首页
学习
活动
专区
工具
TVP
发布
精选内容/技术社群/优惠产品,尽在小程序
立即前往

『人脸识别系列教程』0·MTCNN讲解

背景介绍: 人脸检测,解决两个问题:1)识别图片中有没有人脸?2)如果有,人脸在哪?因此,许多人脸应用(人脸识别、面向分析)的基础是人脸检测。 大多数人脸检测采用的流程为两阶段: 1) 找出所有可能是人脸的候选区域 2) 从候选区域中选择出最可能是人脸的区域 本文的主角MTCNN,大致是这种套路,也集成了其优缺点为:准和慢。 MTCNN人脸检测是2016年的论文提出来的,MTCNN的“MT”是指多任务学习(Multi-Task),在同一个任务中同时学习”识别人脸“、”边框回归“、”人脸关键点识别“。相比2015年的CVPR(边框调整和识别人脸分开做)的结构,MTCNN是有创新的。 从工程实践上,MTCNN是一种检测速度和准确率都还不错的算法,算法的推断流程有一定的启发性,在这里给大家分享。(以下用“MTCNN”代指这个算法)本文以Q&A的方式,与你分享一些经验和思考。先列出本文会回答的问题列表:

02
您找到你想要的搜索结果了吗?
是的
没有找到

使用OpenVINO在 “云-边-端” 快速实现高性能人工智能推理

人工智能、无所不在的计算、无处不在的连接、从云到边缘的基础设施是驱动创新与变革的四大超级力量。近日,在“英特尔AI开发者私享会”现场,英特尔AI 软件布道师武卓分享了在云端和边缘端实现高性能人工智能推理的一些特点与好处。 (英特尔AI 软件布道师武卓线上分享) 云规模开发具有很多的好处:云端能很好的支持多种不同的AI框架和服务,另外在云端可以简化训练开发,比如无需软件下载、无需配置、无需安装,可以直接使用云端所提供的计算资源和服务。‍‍在边缘端进行推理也有很多优势:由于数据通常是在边缘端产生和采集的,‍‍

01

深度学习的多个loss如何平衡 & 有哪些「魔改」损失函数,曾经拯救了你的深度学习模型?

对于多任务学习而言,它每一组loss之间的数量级和学习难度并不一样,寻找平衡点是个很难的事情。我举两个我在实际应用中碰到的问题。第一个是多任务学习算法MTCNN,这算是人脸检测领域最经典的算法之一,被各家厂商魔改,其性能也是很不错的,也有很多版本的开源实现(如果不了解的话,请看:https://blog.csdn.net/qq_36782182/article/details/83624357)。但是我在测试各种实现的过程中,发现竟然没有一套实现是超越了原版的(https://github.com/kpzhang93/MTCNN_face_detection_alignment)。下图中是不同版本的实现,打了码的是我复现的结果。

03
领券