基于Face R—CNN的人脸检测研究

2018-11-01 03:04:18张瑞国
电脑知识与技术 2018年19期
关键词:深度学习

张瑞国

摘要:Faster R-CNN是目标检测中最具有代表性和最成功的方法之一,并且在各种物体检测应用中变得越来越普遍。本文提出了一种基于Faster R-CNN的鲁棒性深度人脸检测方法。并且开发了一些新的技术,包括设计一个新的多任务损失函数,以及线上示例挖掘,还有多方面的多层次培训策略来提高Faster R-CNN的速度。所提出的方法非常适合于人脸检测,我们称之为Face R-CNN。并且对FDDB和WIDER FACE两种最具有挑战性的人脸检测数据集进行了实验,以此证明所提出方法相比于现有技术的优越性。

关键词:深度学习; 卷积神经网络; 人脸检测; 候选区域; 多尺度信息融合

中图分类号:TP301 文献标识码:A 文章编号:1009-3044(2018)19-0213-05

Abstract:Faster R-CNN is one of the most representative and successful methods for object detection,and has been becoming increasingly popular in various objection detection applications. In this report, we propose a robust deep face detection approach based on Faster R-CNN. In our approach, we exploit several new techniques including new multi-task loss function design, online hard example mining, and multi-scale training strategy to improve Faster R-CNN in multiple aspects. The proposed approach is well suited for face detection, so we call it Face R-CNN. Extensive experiments are conducted on two most popular and challenging face detection benchmarks, FDDB and WIDER FACE, to demonstrate the superiority of the proposed approach over state-of-the-arts.

Key words:Deep Learning; Convolution Network; face detection; candidate region; Multi-scale Information Fusion

1 人臉检测概述

人脸检测是计算机视觉和模式识别领域中关于面部应用中所面临的基本问题。但是,由于真实世界的人脸图像的显著变化,它仍然具有很大挑战性。图1就是一个典型的例子,其中的人脸图像表现出了由于遮挡,缩放,照明,姿势和表情而引起的大量变化。

人脸检测是目标检测中的一个特例。最近,基于区域的卷积神经网络[20,21,19,23]在物体检测方面取得了良好的表现。其表现最佳的是基于区域性的CNN检测。其中Fast R-CNN[19]和Faster R-CNN [23]是最受欢迎的两种方法。Fast R-CNN是根据感兴趣的区域来进行训练,这是由区域建议方法(如选择性搜索)而生成的[9]. Faster R-CNN 沿用了Fast R-CNN的基本框架,它是通过构建区域网络来对生成目标进行改进。Faster R-CNN由于有更快的速度和更高的效率,从而成为各种检测任务的主要框架[11,27,1]. 最近,许多基于Faster R-CNN的识别方法 [6,24,29,3]已被开发用于人脸检测任务,并展示出了良好的性能。……

登录APP查看全文

猜你喜欢
深度学习
从合坐走向合学:浅议新学习模式的构建
面向大数据远程开放实验平台构建研究
基于自动智能分类器的图书馆乱架图书检测
搭建深度学习的三级阶梯
有体验的学习才是有意义的学习
电子商务中基于深度学习的虚假交易识别研究
现代情报(2016年10期)2016-12-15 11:50:53
利用网络技术促进学生深度学习的几大策略
考试周刊(2016年94期)2016-12-12 12:15:04
MOOC与翻转课堂融合的深度学习场域建构
大数据技术在反恐怖主义中的应用展望
深度学习算法应用于岩石图像处理的可行性研究
软件导刊(2016年9期)2016-11-07 22:20:49