人脸检测--Grid Loss: Detecting Occluded Faces
2017-10-20 13:54
323 查看
Grid Loss: Detecting Occluded Faces
ECCV2016
遮挡问题还是要通过区域分块来解决
针对有遮挡的人脸检测,如果从训练数据的角度来解决这个问题难度比较大。我们从定义新的损失函数的角度来解决这个问题。通过定义一个 novel loss layer 来分块考虑人脸计数误差损失,本文的另一个亮点是 real time
![](http://img.blog.csdn.net/20171020143606634?watermark/2/text/aHR0cDovL2Jsb2cuY3Nkbi5uZXQvemhhbmdqdW5oaXQ=/font/5a6L5L2T/fontsize/400/fill/I0JBQkFCMA==/dissolve/70/gravity/SouthEast)
我们的整个网络结构示意图
![](http://img.blog.csdn.net/20171020143744794?watermark/2/text/aHR0cDovL2Jsb2cuY3Nkbi5uZXQvemhhbmdqdW5oaXQ=/font/5a6L5L2T/fontsize/400/fill/I0JBQkFCMA==/dissolve/70/gravity/SouthEast)
3 Grid Loss for CNNs
本文的检测方式是类似于文献【33】的滑动窗口方式
3.1 Neural Network Architecture
我们的CNN结构由两个 5×5 卷积层组成,每个卷积层后面是 Rectified Linear Unit (ReLU) 激活相应,在两个卷积层之间加入了一个 Local Contrast Normalization
(LCN) layer 来做相应归一化,在最后一个卷积层后面使用了一个小的 dropout
因为速度的因素,这里我们采用了 Aggregate Channel Features (ACF) 特征,对该特征降采样4倍输入卷积层,在检测的时候,我们是多尺度检测的,使用非极大值抑制
3.2 Grid Loss Layer
这里主要讲人脸区域特征图进行分块,然后定义 part detectors 的损失函数,组合不同的part detectors 损失函数及整体检测损失函数得到总体损失函数。
error signals of less discriminative parts are strengthened during training, encouraging the CNN to focus on making weak parts stronger rather than strengthening already discriminative parts
the influence of several strong distinguished parts decreases
简单的来说当有特征的区域被遮挡了,这时候我们需要依靠特征不明显的区域。
4 Evaluation
![](http://img.blog.csdn.net/20171020152304915?watermark/2/text/aHR0cDovL2Jsb2cuY3Nkbi5uZXQvemhhbmdqdW5oaXQ=/font/5a6L5L2T/fontsize/400/fill/I0JBQkFCMA==/dissolve/70/gravity/SouthEast)
![](http://img.blog.csdn.net/20171020152347697?watermark/2/text/aHR0cDovL2Jsb2cuY3Nkbi5uZXQvemhhbmdqdW5oaXQ=/font/5a6L5L2T/fontsize/400/fill/I0JBQkFCMA==/dissolve/70/gravity/SouthEast)
![](http://img.blog.csdn.net/20171020152413168?watermark/2/text/aHR0cDovL2Jsb2cuY3Nkbi5uZXQvemhhbmdqdW5oaXQ=/font/5a6L5L2T/fontsize/400/fill/I0JBQkFCMA==/dissolve/70/gravity/SouthEast)
![](http://img.blog.csdn.net/20171020152514700?watermark/2/text/aHR0cDovL2Jsb2cuY3Nkbi5uZXQvemhhbmdqdW5oaXQ=/font/5a6L5L2T/fontsize/400/fill/I0JBQkFCMA==/dissolve/70/gravity/SouthEast)
ECCV2016
遮挡问题还是要通过区域分块来解决
针对有遮挡的人脸检测,如果从训练数据的角度来解决这个问题难度比较大。我们从定义新的损失函数的角度来解决这个问题。通过定义一个 novel loss layer 来分块考虑人脸计数误差损失,本文的另一个亮点是 real time
我们的整个网络结构示意图
3 Grid Loss for CNNs
本文的检测方式是类似于文献【33】的滑动窗口方式
3.1 Neural Network Architecture
我们的CNN结构由两个 5×5 卷积层组成,每个卷积层后面是 Rectified Linear Unit (ReLU) 激活相应,在两个卷积层之间加入了一个 Local Contrast Normalization
(LCN) layer 来做相应归一化,在最后一个卷积层后面使用了一个小的 dropout
因为速度的因素,这里我们采用了 Aggregate Channel Features (ACF) 特征,对该特征降采样4倍输入卷积层,在检测的时候,我们是多尺度检测的,使用非极大值抑制
3.2 Grid Loss Layer
这里主要讲人脸区域特征图进行分块,然后定义 part detectors 的损失函数,组合不同的part detectors 损失函数及整体检测损失函数得到总体损失函数。
error signals of less discriminative parts are strengthened during training, encouraging the CNN to focus on making weak parts stronger rather than strengthening already discriminative parts
the influence of several strong distinguished parts decreases
简单的来说当有特征的区域被遮挡了,这时候我们需要依靠特征不明显的区域。
4 Evaluation
相关文章推荐
- 17.2.27 Grid Loss : Detecting Occluded Faces 小感
- 遮挡人脸检测--Detecting Masked Faces in the Wild with LLE-CNNs
- 级联人脸检测--Detecting Faces Using Inside Cascaded Contextual CNN
- 小人脸检测 - Finding Tiny Faces
- 细小人脸检测的实践(Finding Tiny Faces论文代码复现)
- UMDFaces数据集与人脸特征点检测
- C#结合emgucv进行人脸检测
- 人脸肤色检测模型
- usb摄像头人脸检测软件
- 13.GPUImage初探以及人脸检测
- 对于人脸识别检测中出现遮挡问题的解决方案
- haar+adaboost人脸检测
- 级联分级器目标检测objdect(人脸和人眼的检测)
- 【OpenCV】Python人脸检测+人脸提取
- 【Android】设置摄像头方向、打开线程与预览线程、设置参数、Camera外设按键、自动对焦与触摸对焦、拍照、人脸检测、位置管理、旋转管理、变焦、录像
- 基于 face++的人脸检测,解决了 camera 预览变形,图像方向不对等问题.
- PAUL VIOLA 鲁棒的实时人脸检测:Robust Real-Time Face Detection
- 人脸检测源码解析——2、概要流程
- 人脸检测——HyperFace
- 人脸识别之人脸检测(十三)--PICO,NPD算法