FaceBoxes —— CPU上实时的人脸检测
来源:互联网 发布:支持网络连接的电视 编辑:程序博客网 时间:2024/05/22 05:30
一篇速度还可以的多尺度人脸检测文章。
方法和SSD大同小异。
文章链接: 《FaceBoxes: A CPU Real-time Face Detector with High Accuracy》
1. 方法介绍
如上图,输入单张图片,在三个网络分支检测人脸。
2. 要点介绍
(1)Rapidly Digested Convolutional Layers(RDCL)
在网络前期,使用RDCL快速的缩小feature map的大小。 主要设计原则如下:
- (1) Conv1, Pool1, Conv2 和 Pool2 的stride分别是4, 2, 2 和 2。这样整个RDCL的stride就是32,可以很快把feature map的尺寸变小。
- (2)卷积(或pooling)核太大速度就慢,太小覆盖信息又不足。文章权衡之后,将Conv1, Pool1, Conv2 和 Pool2 的核大小分别设为7x7,3x3,5x5,3x3
- (3)使用CReLU来保证输出维度不变的情况下,减少卷积核数量。
(2)Multiple Scale Convolutional Layers(MSCL)
在网络后期,使用MSCL更好地检测不同尺度的人脸。 主要设计原则有:
- (1) 类似于SSD,在网络的不同层进行检测;
- (2) 采用Inception模块。由于Inception包含多个不同的卷积分支,因此可以进一步使得感受野多样化。
(3)Anchor densification strategy
SSD和Faster R-CNN此类方法对小目标效果不好,一定程度上是因为小目标所能对应的anchor比较少,导致训练不足。
下图是本文网络三个分支默认anchor的大小,以及每个分支对应的spatial stride。
我们可以据此定义anchor密度为(anchor大小 / stride)。 显然,第一个分支的一些anchor密度不足。这也是为什么小目标检测效果不佳的重要原因。
为了anchor密度均衡,可以对密度不足的anchor以中心进行偏移加倍,如下图所示:
3. 实验结果
FDDB上的测试结果:
CPU速度测试:(这个CPU硬件性能有点好)
阅读全文
3 0
- FaceBoxes —— CPU上实时的人脸检测
- 人脸检测--FaceBoxes: A CPU Real-time Face Detector with High Accuracy
- Faceboxes 人脸检测及开源实现
- 实时人脸检测
- 深度学习在 iOS 上的实践 —— 通过 YOLO 在 iOS 上实现实时物体检测
- 实时多的人脸检测和识别
- Linux 系统上检测 CPU 信息的工具
- 视频流中实时人脸检测
- opencv实现摄像头实时人脸检测
- Darknet—yolo实时目标检测
- [转载]工程上常用的三种计算实时CPU占用率算法
- Metrics —— JVM上的实时监控类库
- 实时检测你的内存
- 视频马赛克的实时检测
- 基于Opencv/TensorFlow/mtcnn/Facenet的实时人脸检测/人脸识别
- 用摄像头进行人脸和人眼实时检测的优化 算法
- Predix平台上通过分类器实现时间序列的实时异常检测
- OpenCV与Compressive Tracking实现人脸的实时检测与跟踪
- ZOJ 3329 One Person Game(概率DP,求期望)
- Python中sorted函数的用法
- 微信公众号授权及多公众号配置
- activiti 表相关
- Android_动态加载Fragment
- FaceBoxes —— CPU上实时的人脸检测
- Python-pygorithm的使用
- iOS开发中微信支付集成
- 理解 JavaScript 的 async/await
- iOS自动打包并发布IPA脚本
- layui框架问题总结(点击按钮为select添加option选项)
- Android---OkHttp
- dataguard 主备切换
- Linux之 手动释放内存